【论文推荐】Stochastic Graph Neural Networks，随机图神经网络

题目： Stochastic Graph Neural Networks

简介：

图神经网络（GNN）对图数据中的非线性表示进行建模，并在分布式智能体协调，控制和规划等方面进行了应用。当前的GNN架构假设理想情况，并且忽略由于环境，人为因素或外部攻击而发生的波动。在这些情况下，如果未考虑拓扑随机性，则GNN无法解决其分布式任务。为了克服这个问题，我们提出了随机图神经网络（SGNN）模型：一种GNN，其中分布式图卷积模块解决了随机网络的变化。由于随机性引入了新的学习范式，因此我们对SGNN输出方差进行统计分析，以识别学习滤波器为实现向扰动场景的鲁棒转移而应满足的条件，最终揭示随机链路损耗的显式影响。我们进一步为SGNN开发了基于随机梯度下降（SGD）的学习过程，并推导了学习速率收敛的条件，在该条件下该学习过程收敛于平稳点。数值结果证实了我们的理论研究，并将SGNN鲁棒与传统GNN的优势进行了比较，后者在学习过程中忽略了图形扰动。