【论文标题】Learning Robust Node Representation on Graphs 【作者团队】Xu Chen, Ya Zhang, Ivor Tsang, Yuangang Pan 【发表时间】2020/8/26 【论文链接】https://arxiv.org/abs/2008.11416v1 【推荐理由】 图神经网络(GNN)，是目前一种最为流行的节点表示方法。关于图结构信息的学习方面的研究，目前主要集中在保持图的平滑度和节点表示的可识别性上。稳定的图节点表示应当能够抗轻微的输入扰动，同时又能够保持节点良好的区分度。本文介绍了一种平衡两者的“对比图神经网络（CGNN）”方法，以一种无监督的方式学习健壮的节点表示。具体来说,，CGNN通过对比学习目标保持稳定性和可识别性，同时保持现有GNN模型的平滑性。并将该方法总结为一种通用的框架，可与其他目前现有的图神经网络模型配套使用，例如GCN、GraphSage和GAT。作者首先通过大量理论推导对CGNN的方法进行了描述和公式推导，随后在实验方面从四个不同的角度进行了广泛的验证，在传导和归纳学习设置下的基准测试证明了CGNN与最近的有监督和无监督方法比较，能够在保持图的平滑度和节点表示的可识别性上取得更好的表现。 本文的主要贡献在于： ● 研究了基于图上节点邻居抽样的鲁棒节点表示方法的局限性； ● 提出了对照图神经网络CGNN，为众多图论算法的鲁棒性设计提供了一个新的视角； ● CGNN的模型框架可以为GNN缓解过拟合问题的相关研究提供参考。

内容中包含的图片若涉及版权问题，请及时与我们联系删除