TGSL:通过多面图形信息来学习权衡图形结构瓶

科学领域:

• 机器学习 机器学习
• 图形神经网络 图形神经网络
• 数据挖掘 数据挖掘

背景情况:

• 图形神经网络 (GNN) 擅长处理图形数据以进行节点分类.
• 在现实数据中观察到的图形结构往往不理想,阻碍了GNN的性能.
• 现有的GNN依赖于通过观察到的结构传递直接信息.

研究的目的:

• 为了解决GNN由低于最佳的图形结构引起的性能退化.
• 提出一种新的方法,即Trade-off Graph Structure Learning (TGSL),用于学习有效的图形结构.
• 为了提高节点分类在GNN中的准确性和稳定性.

主要方法:

• 经验分析表明图形结构对GNN性能的影响.
• 在图形信息瓶 (GIB) 原则和相互信息 (MI) 的指导下,TGSL的发展.
• 全球特征和结构增强的整合,然后是结构的改进和重新定义.
• 使用多方面的GIB进行优化,以平衡经验风险最小化和信息保存.

主要成果:

• TGSL学习了足够最小的图形结构,可以最大限度地降低经验风险,同时保留基本信息.
• 该方法在清洁和攻击条件下在各种数据集中展示了卓越的性能.
• 与最先进的GNN基线相比,TGSL具有显著的稳定性.

结论:

• TGSL有效地学习最佳图形结构,增强GNN对节点分类的性能.
• 拟议的方法为在现实应用中处理非最佳图形结构提供了强大的解决方案.
• 对于GNN来说,TGSL代表了基于学习的图形结构优化的重大进步.