基于因果推断的图注意力网络

图注意力网络(Graph Attention Network,GAT)是一种重要的图神经网络,在分类任务中有着广泛的应用。但是当图中邻域节点受到干扰时,模型分类准确度会受影响而降低。对此,提出一种基于因果推断的图注意力网络(Causal Graph Attention Network,C-GAT)以提升网络的鲁棒性。该模型首先计算目标节点的邻域与其标签之间的因果权重,并以此对邻域进行因果采样;然后计算采样后邻域与目标节点之间的注意力系数;最后根据注意力系数对邻域信息进行加权聚合,获得目标节点的嵌入特征。在Cora,Pubmed和Citeseer数据集上的实验结果表明,在无扰动的情况下,C-GAT的分类性能与经典模型持平;在有扰动的情况下,相比于经典模型,C-GAT的分类准确度至少提升了6%,在鲁棒性和时间成本上有着较好的平衡。