通过建模噪声依赖关系来训练对抗性图神经网络
机器学习
2025-10-24 v2 机器学习
摘要
在实际应用中，图中节点的特征常来自于各种来源的噪声，导致图神经网络（GNN）性能显著下降。虽然已develop出多种方法来增强鲁棒性，但它们依赖于噪声独立于图结构和节点标签的不现实假设，从而限制了其适用性。为此，我们引入一种更现实的噪声情景——图上的依赖感知噪声（DANG），其中节点特征的噪声会形成一系列噪声依赖关系，传播至图结构和节点标签。我们提出了一种新型对抗性 GNN，DA-GNN，通过变分推断捕捉数据生成过程（DGP）中变量之间的因果关系。此外，我们提供了新的基准数据集，模拟 DANG于实际应用场景，为对鲁棒 GNN 的研究提供了更实际的环境。广泛的实验表明，DA-GNN 在各种噪声情景下，包括 DANG 和本领域常用的传统噪声模型，均一致优于现有基线方法。我们的代码已公开：https://github.com/yeonjun-in/torch-DA-GNN。
引用
@article{arxiv.2502.19670,
title = {Training Robust Graph Neural Networks by Modeling Noise Dependencies},
author = {Yeonjun In and Kanghoon Yoon and Sukwon Yun and Kibum Kim and Sungchul Kim and Chanyoung Park},
journal= {arXiv preprint arXiv:2502.19670},
year = {2025}
}
备注
NeurIPS 2025