【WSDM2021】拓扑去噪的鲁棒图神经网络

图神经网络(GNN)已被证明是图分析的强大工具。关键思想是沿着给定图的边递归地传播和聚合信息。尽管它们取得了成功，但是，现有的GNN通常对输入图的质量很敏感。真实世界的图通常是噪声和包含任务无关的边缘，这可能导致在学习的GNN模型中泛化性能次优。本文提出一种参数化拓扑去噪网络PTDNet，通过学习丢弃任务无关边来提高GNNs的鲁棒性和泛化性能。PTDNet通过使用参数化网络惩罚稀疏图中的边数来删除与任务无关的边。考虑到整个图的拓扑结构，采用核范数正则化对稀疏图施加低秩约束，以便更好地泛化。PTDNet可以作为GNN模型的关键组件，以提高其在各种任务中的性能，如节点分类和链路预测。在合成数据集和基准数据集上的实验研究表明，PTDNet可以显著提高GNNs的性能，并且对于噪声较大的数据集性能增益更大。

http://personal.psu.edu/dul262/PTDNet/WSDM2021_PTDNet_camera_ready.pdf

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“PTD” 可以获取《【WSDM2021】拓扑去噪的鲁棒图神经网络》pdf专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源