无图数据及对抗设定下图卷积网络的变分推断
机器学习
2020-10-23 v5 机器学习
摘要
我们提出了一个框架，将图卷积网络（GCNs）的能力提升到未给定输入图的场景，并增强其对对抗攻击的鲁棒性。我们构建了一个联合概率模型，该模型考虑图上的先验分布以及基于 GCN 的似然，并开发了随机变分推断算法来联合估计图后验和 GCN 参数。为解决通过从离散分布抽取的潜变量传播梯度的问题，我们使用其连续松弛，即 Concrete 分布。我们表明，在真实数据集上，在不存在图数据以及网络结构遭受对抗扰动的情况下，我们的方法在半监督分类任务上可以优于最先进的贝叶斯和非贝叶斯图神经网络算法。
引用
@article{arxiv.1906.01852,
title = {Variational Inference for Graph Convolutional Networks in the Absence of Graph Data and Adversarial Settings},
author = {Pantelis Elinas and Edwin V. Bonilla and Louis Tiao},
journal= {arXiv preprint arXiv:1906.01852},
year = {2020}
}