【论文标题】Towards Robust Graph Contrastive Learning 【作者团队】Nikola Jovanović，Zhao Meng，Lukas Faber，Roger Wattenhofer 【发表时间】2021/02/25 【机构】苏黎世联邦理工学院 【论文链接】https://arxiv.org/pdf/2102.13085.pdf 【推荐理由】 本文来自苏黎世联邦理工学院，作者提出了一系列辅助任务，形成了一种新的鲁棒的图对比学习框架 GROC，在保持模型性能的前提条件下，有效提升了模型对对抗性攻击的鲁棒性。

在本文中，作者研究了图上的对抗鲁棒自监督学习问题。在对比学习的框架下，作者引入了一种新的方法，它通过以下方式提升了学习到的表征的对抗鲁棒性：（1）对抗性变换（2）移除某些边、嵌入另外的边。 作者在一系列初步的实验中对学习到的表征进行了评价，得到了性能优异的实验结果。作者认为该工作对于实现鲁棒的图对比学习是重要的一步，它可以被作为一个图对比学习中的辅助任务。

图 1：GROC 示意图

本文的主要贡献如下： （1）作者提出了一种图鲁棒对比学习（GROC）框架，它是一种完全的自监督图算法，旨在获得对于对抗性攻击的鲁棒性。据本文作者所知，本文首次将对抗性变换引入了图对比学习框架。 （2）本文作者在多个流行的转导节点分类数据集上对 GROC 进行了评价。初步的实验结果证明，GROC 提升了对于对抗性攻击鲁棒性，同时保持了客观的模型性能。 （3）本文作者指出了未来可能的研究方向，计划对该工作进行扩展，提升该方法的计算效率，并进行更充分的实验。

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