基于层次对比学习的半监督节点分类算法

大多数用于半监督节点分类的图对比学习方法需要通过繁琐的图数据增强方式得到两个视图,而且这些数据增强方式会不可避免地改变图语义信息,限制现有图对比学习方法的效率和适用性.为此,文中提出基于层次对比学习的半监督节点分类算法.算法无需进行图数据增强,而是将图神经网络不同层次的表示作为对比的视图进行学习,从而缓解繁琐的搜索以及语义的破坏.此外,设计一种半监督对比损失,有效利用少量的标记信息和大量的无标记信息以提供丰富的监督信号和改进节点的表示.最后,在四个基准数据集上对节点分类任务的实验验证文中算法的有效性.

从拓扑的角度缓解图卷积网络的过平滑问题

运用平滑度度量指标,定量分析了深层GCNs存在的过平滑问题,验证表明:过平滑是造成深层GCNs在半监督节点分类任务上的性能下降的主要原因.从拓扑学的角度,提出了一种DropEdge技术和混合阶传播相结合的方法,DropEdge技术使节点连接更加稀疏,而混合阶传播使模型包含更多的局部信息,从而一定程度上可避免GCNs加深时存在的过平滑问题.实验表明,方法可缓解深层GCNs存在的过平滑问题,使得半监督节点分类的精度更高.

面向鲁棒图结构防御的过参数化图神经网络

图数据在现实应用中普遍存在,图神经网络(GNN)被广泛应用于分析图数据,然而GNN的性能会被图结构上的对抗攻击剧烈影响.应对图结构上的对抗攻击,现有的防御方法一般基于图内聚先验进行低秩图结构重构.但是现有的图结构对抗防御方法无法自适应秩真值进行低秩图结构重构,同时低秩图结构与下游任务语义存在错配.为了解决以上问题,基于过参数化的隐式正则效应提出过参数化图神经网络(OPGNN)方法,并形式化证明所提方法可以自适应求解低秩图结构,同时证明节点深层表征上的过参数化残差链接可以有效解决语义错配.在真实数据集上的实验结果表明,OPGNN方法相对于现有基线方法具有更好的鲁棒性,同时,OPGNN方法框架在不同的图神经网络骨干上如GCN、APPNP和GPRGNN上显著有效.