摘要
图卷积神经网络通过卷积聚合图信息,学习图或节点的表征,较好地解决链路预测、节点和图分类等相关问题,广泛应用于多个领域,但容易受到分布转移、异常特征和对抗攻击等问题的干扰.图结构学习能够用于提升神经网络鲁棒性,但由于没有考虑图结构信息和属性信息的关联,可能导致图特征捕获的缺失,在结构信息和属性信息都受到攻击的情况下仍可能产生较大的预测偏差.本文针对图卷积神经网络提出一种名为ME-GCN的数据增强方法,能够有效地抑制图数据中随机噪声对模型的干扰,弥合训练数据和测试数据之间的差距,显著提高图卷积神经网络模型的鲁棒性.实验结果表明,ME-GCN方法在面对随机干扰和对抗攻击性时,平均准确率分别提升了10.7％、5.4％.
维普
万方数据