通过联合输入-目标去噪实现稳健有向图学习
机器学习
2025-10-28 v1 人工智能
摘要
有向图神经网络（Signed Graph Neural Networks, SGNNs）被广泛用于分析具有正向和负向链接的复杂模式。鉴于现实世界连接的噪声特性，SGNN 的鲁棒性也成为关键研究领域。基于经验属性，图结构学习在有向图表示学习方面展现出鲁棒性，但仍缺乏针对具备理论导向的稳健 SGNN 的研究。灵感来源于图信息瓶颈（graph information bottleneck, GIB）在信息提取方面的成功，我们提出 RIDGE，即一种通过联合去噪图输入与监督目标实现稳健有向图学习的新型框架。不同于基本 GIB，我们扩展 GIB 理论，具备目标空间去噪能力，因输入空间和目标空间中的噪声共存。具体而言，RIDGE 通过可变近似机制和可 reparameterization 机制产生的可计算目标函数，有效清洗输入数据和监督目标。我们在四个流行的有向图数据集上进行了广泛验证，结果表明 RIDGE 在各种噪声水平下显著提升了流行 SGNN 模型的鲁棒性。
引用
@article{arxiv.2510.22513,
title = {Toward Robust Signed Graph Learning through Joint Input-Target Denoising},
author = {Junran Wu and Beng Chin Ooi and Ke Xu},
journal= {arXiv preprint arXiv:2510.22513},
year = {2025}
}
备注
ACM MM 2025