AAAI 2022: Graph Structure Learning with Variational Information Bottleneck

图神经网络在广泛的应用中显示出了良好的效果。目前大多数图神经网络直接以原始图作为输入，假设观测到的图结构完美地描述了准确、完整的节点关系。然而，现实世界中的图数据不可避免地带有噪声，或观测到的结构是不完整的，这极大地影响了图表征的质量。在这项工作中，我们从信息论的角度出发，提出一个新颖的变分信息瓶颈指导的图结构学习框架VIB-GSL，为挖掘与任务相关的结构关系提供了一个更优雅、更通用的框架。VIB-GSL通过对不规则图数据的变分近似，推导出易于优化的的信息瓶颈目标函数，有利于训练的稳定性。大量的实验结果表明，VIB-GSL具有较好的有效性和鲁棒性。