图神经网络（GNNs, Graph Neural Networks）作为一种强大的工具，被广泛用于分析图结构数据。无论是在节点分类、链接预测，还是推荐系统和信息检索等，GNNs 都在跨领域的图分析任务上取得了巨大的成功。

目前大多数 GNNs 方法对图结构的质量高度敏感，通常需要一个完美的图结构来学习信息嵌入，以提高 GNN 模型的鲁棒性。

众所周知，深度神经网络容易受到噪声的干扰；甚至噪声还加剧了深度 GNN 模型所产生的表示质量，这无疑对将 GNN 应用到真实世界的愿景提出了极大的挑战，尤其是在某些风险较大、关键紧急的场景中，如医学分析（medical analysis）。

原因在于，GNNs 通过递归地聚合邻区信息来计算节点嵌入，在这种迭代机制下，很容易引发级联效应（cascading effects）。也就是说，图中的小噪声会传播到邻居节点，从而影响许多其他节点的嵌入。

以社交网络为例，其中，节点对应于用户，边代表朋友关系。一旦欺诈账户与真实账户建立虚假链接，很容易将错误信息注入到整个网络中，从而导致账户的可信度变得难以估量。

此外，最近有研究表明，图结构中不明显的、故意的扰动（又称为对抗攻击）很容易引起错误的预测。由此可见，一种用于学习信息表示的完美图结构对弥补 GNN 模型的缺陷，提高其鲁棒性来说是至关重要的。

改善 GNN 模型的鲁棒性关键点之一在于，产生用于学习表示的去噪图结构。

为了解决上述问题，许多研究围绕图结构学习（GSL, Graph Structure Learning）这一中心概念展开，旨在共同学习优化的图结构及其相应的表示形式。不幸的是，这些 GSL 技术已在不同的研究社区中被提及，但从未得到系统的审查。

近期发表的最新图结构学习综述文章 Deep Graph Structure Learning for Robust Representations: A Survey，旨在弥补这一空白：作者 Yanqiao Zhu、Weizhi Xu 和 Jinghao Zhang 等人广泛调查了 GSL 方法在学习鲁棒表示中的最新进展并给出了系统的报告：文章首先是制定 GSL 的一般范式，然后回顾按图结构建模方式分类的最新方法，根据现有工作对图结构进行建模的方式对其进行分类，并突出显示每个模型的关键优点；

其次，团队讨论了将 GSL 理念纳入其他图形任务的应用程序，如可解释性（Explainability）和图池化（Graph pooling）；最后，团队指出了当前研究中的一些问题，并讨论了未来的研究方向。

据目前所知，这是第一篇对 GSL 研究的最新进展进行全面综述的可靠文献，感兴趣的可以戳原文或论文链接。

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