【WWW2024】动态图信息瓶颈

动态图在现实世界中广泛存在，它们承载着复杂的空间和时间特征模式，给它们的表示学习带来挑战。动态图神经网络（DGNNs）通过利用内在动态展现了令人印象深刻的预测能力。然而，DGNNs表现出有限的鲁棒性，容易受到对抗攻击的影响。本文提出了一种新颖的动态图信息瓶颈（DGIB）框架，以学习鲁棒且具有辨别性的表示。通过利用信息瓶颈（IB）原理，我们首先提出期望的最优表示应满足最小-充分-共识（MSC）条件。为了压缩冗余信息同时保留有价值的信息到潜在表示中，DGIB迭代地指导和精炼通过图快照传递的结构和特征信息流。为了满足MSC条件，我们将整体的IB目标分解为DGIB𝑀𝑆和DGIB𝐶，其中DGIB𝑀𝑆通道旨在学习最小且充分的表示，而DGIB𝐶通道保证了预测共识。在真实世界和合成动态图数据集上的广泛实验表明，与链接预测任务中的最新基线相比，DGIB在抵抗对抗攻击方面表现出更优的鲁棒性。据我们所知，DGIB是第一个基于信息论IB原理学习动态图鲁棒表示的工作。