【AAAI2024】异质图上精炼潜在同质结构以增强图卷积网络的鲁棒性

图卷积网络（GCN）在各种图任务中被广泛用于从空间数据中挖掘知识。我们的研究标志着首次定量调查GCN在普遍存在的异质图上进行节点分类的鲁棒性。我们发现主要的脆弱性是由结构性的分布外（OOD）问题引起的。这一发现激发了我们提出一种新方法，旨在通过自动学习异质图上的潜在同质结构来加固GCN。我们将这种方法称为LHS。具体来说，我们的初始步骤涉及利用一种基于多节点交互的新型自表达技术来学习一个潜在结构。随后，该结构通过成对约束的双视图对比学习方法进行精炼。我们反复执行上述程序，使GCN模型能够以同质的方式在异质图上聚合信息。有了这种适应性结构，我们可以适当地缓解异质图上的结构性OOD威胁。在各种基准测试上的实验显示了所提出的LHS方法对于鲁棒GCN的有效性。