【论文标题】Deep Graph Structure Learning for Robust Representations: A Survey 【作者团队】Yanqiao Zhu，Weizhi Xu，Jinghao Zhang，Qiang Liu，Shu Wu，Liang Wang 【发表时间】2021/03/04 【机构】中科院自动化所 【论文链接】https://arxiv.org/abs/2103.03036 【推荐理由】 本文出自中科院自动化所，作者广泛回顾了用于学习鲁棒表征的图结构学习的最新进展，对当前性能最优的模型进行了较为详细的介绍，并指出了未来的研究方向。

如今，图神经网络（GNN）已经被广泛用于图结构数据的分析。大多数 GNN 方法对于图结构的质量非常敏感，通常需要完美的图结构才能学习到信息量较大的嵌入。然而，图中普遍存在的噪声使我们需要为真实世界中的问题获取鲁棒的表征。 为了提高 GNN 模型的鲁棒性，研究人员围绕图结构学习（GSL）这一中心概念展开了许多研究，旨在同时学习优化后的图结构和相应的表征。为此，在本文中，作者广泛回顾了用于学习鲁棒表征的 GSL 方法的最新进展。 具体而言，作者首先形式化定义了一个 GSL 的通用范式。接着，作者以建模图结构的方式为依据回顾了目前最先进的方法，进而回顾了在其它图任务中运用了 GSL 实现的具体应用。最后，作者指出了目前研究中存在的一些问题，并对未来的研究方向进行了讨论。

图 1：图结构学习的范式。GSL 方法以某种原始的图结构为起点，通过结构建模模块对图结构进行精修，并将精修后的图结构输入给 GNN。其中，获取到的节点嵌入会被用于计算学习的目标函数。我们会交替更新 GNN 中的参数和结构建模模块，直到满足算法结束条件。

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