Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs

图神经网络（GNN）在节点分类中得到了广泛应用。然而，最近的研究表明，GNN易受拓扑扰动的影响，例如对抗性攻击和边缘中断。为了解决这些挑战，人们付出了大量的努力。例如，先驱性的贝叶斯方法，包括GraphSS和LlnDT，将贝叶斯标签转换和基于拓扑的标签抽样纳入其中，以增强GNN的鲁棒性。然而，GraphSS受到收敛速度缓慢的限制，而LlnDT在稀疏图中面临挑战。为了克服这些限制，我们提出了一种新的标签推断框架TraTopo，它结合了基于拓扑的标签传播、贝叶斯标签转换和通过随机游走的链接分析。TraTopo通过利用随机游走采样，针对孤立节点进行链接预测，从而增强了在拓扑抽样环境中的有效性，显著超越了其前身在稀疏图上的表现。此外，TraTopo采用最短路径策略来优化链接预测，从而降低了预测开销并提高了标签推断的准确性。实证评估突显了TraTopo在节点分类中的优越性，其准确性显著超过了当代GCN模型。

本文试图解决图神经网络在节点分类中面临的拓扑扰动问题，如对抗攻击和边缘中断等。同时，本文还试图提高图神经网络在稀疏图中的表现。

本文提出了一种新的标签推断框架TraTopo，它结合了基于拓扑的标签传播、贝叶斯标签转换和随机游走的链接分析。TraTopo通过随机游走采样，特别是针对孤立节点进行链接预测，从而增强了在拓扑采样环境中的有效性。此外，TraTopo采用最短路径策略来优化链接预测，从而降低了预测开销并提高了标签推断的准确性。

本文在实验中使用了多个数据集来评估TraTopo的性能，并与其他图神经网络模型进行比较。结果表明，TraTopo在节点分类方面表现优异，明显超过了当代GCN模型的准确性。值得注意的是，TraTopo在稀疏图中的表现也非常出色。此外，本文提供了开源代码。

近年来，许多研究都致力于改进图神经网络的鲁棒性，例如GraphSS和LlnDT等贝叶斯方法。然而，GraphSS收敛速度较慢，而LlnDT在稀疏图中面临挑战。