亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

原文地址：//arxiv.org/abs/2006.05057

我們研究在一種新穎實際的設定下對圖神經網絡的黑盒攻擊，我們限制攻擊者只能獲得部分節點的信息并且只能修改其中小部分的節點。在這樣的設定下，如何選擇節點變得愈發重要。我們證明圖神經網絡的結構歸納偏差能成為有效的黑盒攻擊源頭。具體來說，通過利用圖神經網路的向后傳播與隨機游走之間的聯系，我們表明基于梯度的常見白盒攻擊可以通過梯度和與PageRank類似的重要性分數之間的聯系而推廣到黑盒攻擊。在實踐中，我們發現基于這個重要性分數上確實很大的程度地增加了損失值，但是不能顯著提高分類錯誤的比率。我們的理論和經驗分析表明，損失值和誤分類率之間存在差異，即當受攻擊的節點數增加時，后者會呈現遞減的回報模式。因此，考慮到收益遞減效應，我們提出了一種貪心算法來校正這一重要性得分。實驗結果表明，所提出的選點程序在無需訪問模型參數或預測的前提下可以顯著提高常用數據集上常見GNN的誤分類率。

本文提出了一種新穎的圖形化社會上下文表示和學習框架——事實新聞圖(FANG)，用于假新聞檢測。與之前的上下文模型以表現為目標不同，我們關注的是表示學習。與直推模型相比，FANG在訓練方面具有可擴展性，因為它不需要維護所有節點，而且在推理時高效，不需要重新處理整個圖。我們的實驗結果表明，與最新的圖形和非圖形模型相比，FANG更善于將社會上下文捕捉到高保真的表現中。特別值得一提的是，FANG在假新聞檢測方面取得了顯著的改進，并且在訓練數據有限的情況下具有較強的魯棒性。我們進一步證明，FANG所學的表示可推廣到相關任務，如預測新聞媒體報道的真實性。

//dl.acm.org/doi/10.1145/3340531.3412046

論文專欄：KDD 2020 知識圖譜相關論文分享

論文解讀者：北郵 GAMMA Lab 博士生 閆博

題目：利用多信號輸入推斷知識圖譜中節點的重要性 會議： KDD 2020 論文地址：//dl.acm.org/doi/10.1145/3394486.3403093 推薦理由：這篇論文是作者在KDD19上利用單一輸入信號進行節點重要性推斷論文的后續研究，擴展成了多輸入信號。利用迭代的方式對輸入的不同類信號進行聚類，從而解決不同信號的沖突問題。實驗表明，多種信號比相比單一信號，能更準確地推斷出節點的重要性，對輸入信號進行迭代聚類的方式有效解決了信號沖突問題。 節點重要性估計是知識圖譜中一項重要的任務，它可以被下游許多任務利用，如推薦系統，搜索和查詢消歧，節點資源分配等。在現實生活中，除了知識圖譜本身的信息，還有許多外界的輸入信息(輸入信號)，這些輸入信號對節點的重要性評估也至關重要。此任務的關鍵是如何有效利用來自不同來源的輸入信號。這些外部輸入信號，例如票數或瀏覽量，可以直接告訴我們知識圖譜中實體的重要性。現有方法無法同時考慮多個信號，所以它們對這些外部信號的使用受到一定限制，造成了外部信號的利用率低下。本文設計了一個端到端的隱變量模型MultiImport，從多個稀疏，可能重疊的輸入信號中推斷潛在節點的重要性。它捕獲節點重要性和輸入信號之間的關系，并有效地處理了多個信號的潛在沖突問題。在多個知識圖譜上的實驗表明，MultiImport在利用多個輸入信號推斷節點重要性的任務中優于現有方法，并且與最先進的方法相比，NDCG@100提高了23.7％ 。

圖卷積網絡(Graph Convolutional Networks, GCNs)作為一種學習圖結構數據的神經網絡，在處理圖數據分析問題上表現出了極大的人氣，被用于如節點分類、圖分類、鏈路預測、推薦等任務中。典型的GCN及其變體通常采用消息傳遞方式，其關鍵步驟是特征聚合，即一個節點在每個卷積層中聚合來自其拓撲鄰居的特征信息。這樣，特征信息通過網絡拓撲結構傳播到鄰居節點表示中，然后通過學習所有節點嵌入表示用于下游任務如分類等，該學習過程是由部分節點標簽來監督的。實際上，GCNs能夠取得巨大的成功部分歸功于它提供了一種拓撲結構和節點特征的融合策略來學習節點表示，而這種融合策略的學習訓練過程由一個端到端的模型框架來監督。

這里我們首先思考了一個問題：作為端到端框架的GCNs，從拓撲結構和節點特征中真正學習和融合了什么樣的信息? 在第二小節我們通過實驗設計評估了GCNs融合拓撲結構和節點特征的能力。實驗結果表明，GCNs在融合網絡拓撲結構和節點特征上能力上與最理想的水平相差甚遠。即使在一些簡單的情況下（節點的特性/拓撲與節點標簽的關聯是非常明確的）GCN仍不能自適應地融合節點特性和拓撲結構并提取最相關的信息。而無法自適應學習到拓撲結構、節點特征與最終任務之間最相關的信息，可能會嚴重阻礙GCNs在分類任務中的表現能力，并且由于實際應用中圖數據與任務之間的相關性往往非常復雜且不可知，因此自適應能力也是很重要的。

針對這些問題，我們提出了一種靈活地用于半監督節點分類的自適應多通道圖卷積網絡方案。其核心思想是同時學習基于節點特征、拓撲結構及其組合的節點嵌入，并依據特征與結構之間的相似性對標簽預測的作用往往是互補的這一事實，采用設計的自適應融合機制來獲取對分類任務最有幫助且最深層次的相關信息。

圖神經網絡(GNN)已經在許多具有挑戰性的應用中展示了優越的性能，包括小樣本學習任務。盡管GNN具有強大的從少量樣本中學習和歸納的能力，但隨著模型的深入，GNN通常會出現嚴重的過擬合和過平滑問題，這限制了模型的可擴展性。在這項工作中，我們提出了一個新的注意力GNN來解決這些挑戰，通過合并三重注意機制，即節點自我注意，鄰居注意和層記憶注意力。我們通過理論分析和實例說明了所提出的注意模塊可以改善小樣本學習的GNN的原因。廣泛的實驗表明，在mini-ImageNet 和Tiered-ImageNet數據集上，通過誘導和直推設置，提出的注意力GNN在小樣本學習方面優于基于最先進的GNN方法。

本文研究如何更好聚合網絡拓撲信息和特征信息。中心思想是，構造了結構圖，特征圖(feature graph)，以及兩者的組合來提取特定的和通用的嵌入，并使用注意機制來學習嵌入的自適應重要性權重。實驗發現，AM-GCN可以從節點特征和拓撲結構中提取自適應地提取相關的信息，對應不同的參數取值。 //arxiv.org/abs/2007.02265

摘要：圖卷積網絡(GCNs)在處理圖數據和網絡數據的各種分析任務方面得到了廣泛的應用。然而，最近的一些研究提出了一個問題，即GCNs是否能夠在一個信息豐富的復雜圖形中優化地整合節點特征和拓撲結構。在本文中，我們首先提出一個實驗研究。令人驚訝的是，我們的實驗結果清楚地表明，當前的GCNs融合節點特征和拓撲結構的能力遠遠不是最優的，甚至是令人滿意的。由于GCNs無法自適應地學習拓撲結構與節點特征之間的一些深層次關聯信息，這一弱點可能會嚴重阻礙GCNs在某些分類任務中的能力。我們能否彌補這一缺陷，設計出一種新型的GCNs，既能保留現有GCNs的優勢，又能大幅度提高拓撲結構和節點特征融合的能力?為了解決這個問題，我們提出了一種自適應多通道半監督分類圖卷積網絡。其核心思想是同時從節點特征、拓撲結構及其組合中提取具體的和常見的嵌入，并利用注意機制學習嵌入的自適應重要度權值。我們在基準數據集上進行的大量實驗表明，AM-GCN從節點特征和拓撲結構中提取了最多的相關信息，顯著提高了分類精度。

領域適應(DA)提供了重用數據和模型用于新問題領域的有價值的方法。然而，對于具有不同數據可用性的時間序列數據，還沒有考慮到健壯的技術。在本文中，我們做出了三個主要貢獻來填補這一空白。我們提出了一種新的時間序列數據卷積深度域自適應模型(CoDATS)，該模型在現實傳感器數據基準上顯著提高了最先進的DA策略的準確性和訓練時間。通過利用來自多個源域的數據，我們增加了CoDATS的有用性，從而進一步提高了與以前的單源方法相比的準確性，特別是在域之間具有高度可變性的復雜時間序列數據集上。其次，我們提出了一種新的弱監督域自適應(DA-WS)方法，利用目標域標簽分布形式的弱監督，這可能比其他數據標簽更容易收集。第三，我們對不同的真實數據集進行了綜合實驗，以評估我們的域適應和弱監督方法的有效性。結果表明，用于單源DA的CoDATS比最先進的方法有了顯著的改進，并且我們使用來自多個源域和弱監督信號的數據實現了額外的準確性改進。

圖卷積網絡(GCN)在許多應用中越來越受歡迎，但在大型圖數據集上的訓練仍然是出了名的困難。它們需要從它們的鄰居遞歸地計算節點表示。當前的GCN訓練算法要么計算成本高，隨層數呈指數增長，要么加載整個圖和節點嵌入時占用大量內存。提出了一種高效的GCN (L-GCN)分層訓練框架，將訓練過程中的特征集合和特征轉換分離出來，大大降低了訓練的時間復雜度和記憶復雜度。我們在圖同構框架下對L-GCN進行了理論分析，結果表明，在較溫和的條件下，L-GCN與代價較高的傳統訓練算法具有同樣強大的GCNs性能。我們進一步提出了L^2-GCN，它為每一層學習一個控制器，可以自動調整L-GCN中每一層的訓練時間。實驗表明，L-GCN至少比目前的水平快一個數量級，內存使用的一致性不依賴于數據集的大小，同時保持了可比較的預測性能。通過學習控制器，L^2-GCN可以進一步減少一半的訓練時間。我們的代碼在這個https URL中可用。

最近，數據挖掘領域國際最高級別會議KDD 2019 于 2019 年 8 月 4 日- 8 日在美國阿拉斯加州安克雷奇市舉行。今年的 KDD 包括兩個track：Research Track和 Applied Data Science track。據了解，Research Track 共收到約 1200 篇投稿，其中約 110 篇 接收為oral 論文，60 篇 接收為poster 論文，接收率僅為 14%。專知小編發現關于圖神經網絡的相關論文在今年的KDD上非常多，所以今天小編專門整理最新12篇圖神經網絡（GNN）相關論文——聚類-GCN、條件隨機場-GCN、Degree-GNN、GCN-MF、GCN-Pooling、GRN、異構GNN、強化學習-GNN、對抗攻擊-GCN。

1. Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

作者：Wei-Lin Chiang; Xuanqing Liu; Si Si; Yang Li; Samy Bengio; Cho-Jui Hsieh;

摘要：圖卷積網絡(GCN)已成功地應用于許多基于圖的應用中; 然而，訓練一個大規模的GCN仍然是具有挑戰性的。現有的基于SGD的算法要么計算成本高，且隨著GCN層數的增加呈指數級增長，要么需要很大的空間來保存整個圖以及在內存中嵌入每個節點。本文利用圖的聚類結構，提出了一種新的適合于基于SGD的訓練的GCN算法Cluster-GCN。Cluster-GCN的工作原理如下: 在每一步中，它對與圖聚類算法標識的密集子圖相關聯的節點塊進行采樣，并限制在該子圖中進行鄰域搜索。這種簡單而有效的策略能夠顯著提高內存和計算效率，同時能夠達到與以前算法相當的測試精度。為了測試算法的可擴展性，我們創建了一個新的Amazon2M數據集，包含200萬個節點和6100萬條邊，比之前最大的公共可用數據集(Reddit)大5倍以上。對于在此數據集上訓練3層GCN, Cluster-GCN比之前最先進的VR-GCN(1523秒vs. 1961秒)更快，并且使用更少的內存(2.2GB vs. 11.2GB)。此外，對于該數據集的4層GCN的訓練，我們的算法可以在36分鐘左右完成，而現有的GCN訓練算法都因為內存不足而無法訓練。此外，Cluster-GCN允許我們在不需要太多時間和內存開銷的情況下訓練更深層的GCN，從而提高了預測精度——使用5層Cluster-GCN，我們在PPI數據集上實現了最先進的測試結果，F1 score為99.36，而之前最好的結果是98.71。

網址：

//www.kdd.org/kdd2019/accepted-papers/view/cluster-gcn-an-efficient-algorithm-for-training-deep-and-large-graph-convol

2. Conditional Random Field Enhanced Graph Convolutional Neural Networks

作者：Hongchang Gao; Jian Pei; Heng Huang;

摘要：圖卷積神經網絡近年來受到越來越多的關注。與標準卷積神經網絡不同，圖卷積神經網絡對圖數據進行卷積運算。與一般數據相比，圖數據具有不同節點間的相似性信息。因此，在圖卷積神經網絡的隱層中保存這種相似性信息是非常重要的。然而，現有的工作沒有做到這一點。另一方面，為了保持相似關系，對隱藏層的增強是一個挑戰。為了解決這一問題，我們提出了一種新的CRF層用于圖卷積神經網絡，以使得相似節點具有相似的隱藏特征。這樣，可以顯式地保存相似性信息。此外，我們提出的CRF層易于計算和優化。因此，它可以很容易地插入到現有的圖卷積神經網絡中，提高其性能。最后，大量的實驗結果驗證了我們提出的CRF層的有效性。

網址：

3. DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification

作者：Jun Wu; Jingrui He; Jiejun Xu;

摘要：圖數據廣泛存在于許多具有高影響力的應用中。受網格結構數據深度學習成功的啟發，研究者提出了一種學習強大的節點級或圖級表示的圖神經網絡模型。然而，現有的圖神經網絡大多存在以下局限性：(1)對圖卷積的seed-oriented、degree-aware、order-free等特性的分析比較有限; (2) 在區分結構感知節點鄰域時，沒有將節點的degree-specific圖結構顯式表示為圖卷積; (3)圖級pooling機制的理論解釋尚不明確。為了解決這些問題，我們提出了一種基于Weisfeiler- Lehman圖同構測試的通用degree-specific圖神經網絡DEMO-Net。為了顯式地捕獲與節點屬性集成的圖的拓撲結構，我們認為圖卷積應該具有三個屬性：seed-oriented, degree-aware 和order-free。為此，我們提出了多任務圖卷積，其中每個任務表示具有specific degree value的節點的節點表示學習，從而保持了degree-specific的圖結構。特別地，我們設計了兩種多任務學習方法：degree-specific權重法和圖卷積的哈希函數法。此外，我們還提出了一種新的圖級pooling/readout方案，用于學習圖形表示，可證明位于degree-specific的Hilbert kernel空間中。在多個節點和圖分類基準數據集上的實驗結果表明，我們提出的DEMO-Net相對于最先進的圖神經網絡模型的有效性和高效性。

網址：

4. GCN-MF: Disease-Gene Association Identification By Graph Convolutional Networks and Matrix Factorization

作者：Peng Han; Peng Yang; Peilin Zhao; Shuo Shang; Yong Liu; Jiayu Zhou; Xin Gao; Panos Kalnis;

摘要：發現疾病基因關聯是一項基礎性和關鍵性的生物醫學任務，它有助于生物學家和醫生發現癥候的致病機制。基于網絡的半監督學習(NSSL)是這些研究中常用的一種方法，它利用各種臨床生物標志物來測量基因和疾病表型之間的相似性，來解決這個類平衡的大規模數據問題。然而，大多數現有的NSSL方法都是基于線性模型的，存在兩個主要限制:1)它們隱式地考慮每個候選對象的局部結構表示; 2)他們無法捕捉疾病和基因之間的非線性聯系。本文將圖卷積網絡(GCN)和矩陣因子分解相結合，提出了一種新的疾病基因關聯任務框架GCN-MF。在GCN的幫助下，我們可以捕獲非線性相互作用，并利用測量到的相似性。此外，我們定義了一個邊際控制損失函數，以減少稀疏性的影響。實驗結果表明，所提出的深度學習算法在大多數指標上都優于其他最先進的方法。

網址：

5. Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks

作者：Namyong Park; Andrey Kan; Xin Luna Dong; Tong Zhao; Christos Faloutsos;

摘要：如何估計知識圖譜(KG)中節點的重要性? KG是一個多關系圖，它被證明對于許多任務(包括問題回答和語義搜索)都很有價值。在本文中，我們提出了GENI，一種解決KG中節點重要性估計問題的方法，該方法支持商品推薦和資源分配等多種下游應用。雖然已經有了一些方法來解決一般圖的這個問題，但是它們沒有充分利用KG中可用的信息，或者缺乏建模實體與其重要性之間復雜關系所需的靈活性。為了解決這些限制，我們探索了有監督的機器學習算法。特別是，基于圖神經網絡（GNN）的最新進展，我們開發了GENI，這是一種基于GNN的方法，旨在應對預測KG中節點重要性所涉及的獨特挑戰。我們的方法通過predicate-aware注意力機制和靈活的中心性調整來執行重要性分數的聚合，而不是聚合節點嵌入。在我們對GENI和現有方法的評估中，GENI在預測具有不同特征的真實KG中節點重要性方面比現有方法高出5-17%。

網址：

6. Graph Convolutional Networks with EigenPooling

作者：Yao Ma; Suhang Wang; Charu Aggarwal; Jiliang Tang;

摘要：圖神經網絡將深度神經網絡模型推廣到圖結構數據中，近年來受到越來越多的關注。它們通常通過轉換、傳播和聚合節點特征來學習節點表示，并被證明可以提高許多與圖相關的任務的性能，如節點分類和鏈接預測。將圖神經網絡應用于圖分類任務，需要從節點表示生成圖表示的方法。一種常見的方法是全局組合節點表示。然而，豐富的結構信息被忽略了。因此，在圖表示學習過程中，需要一個層次的pooling過程來保持圖的結構。最近有一些關于層次學習圖表示的工作類似于傳統卷積神經網絡（CNN）中的pooling步驟。然而，在匯聚過程中，局部結構信息在很大程度上仍然被忽略。本文介紹了一種基于圖的傅里葉變換的pooling操作EigenPooling，它可以利用pooling過程中的節點特征和局部結構。然后基于pooling算子設計pooling層，并與傳統的GCN卷積層進一步結合，形成一個用于圖分類的圖神經網絡框架EigenGCN。從局部和全局的角度對EigenGCN進行了理論分析。圖分類任務在6個常用benchmark上的實驗結果表明了該框架的有效性。

網址：

7. Graph Recurrent Networks with Attributed Random Walks

作者：Xiao Huang; Qingquan Song; Yuening Li; Xia Hu;

摘要：隨機游走被廣泛應用于從網絡嵌入到標簽傳播的各種網絡分析任務中。它可以捕獲并將幾何結構轉換為結構化序列，同時解決了稀疏性和維數的災難性問題。雖然對純網絡上的隨機游走進行了深入的研究，但在實際系統中，節點往往不是純頂點，而是具有不同的特征，并由與之相關的豐富數據集來描述。這些節點屬性包含豐富的信息，這些信息通常是網絡的補充，并為基于隨機游走的分析帶來了機會。然而，目前還不清楚如何為attributed網絡開發隨機游走來實現有效的聯合信息提取。節點屬性使得節點之間的交互更加復雜，拓撲結構也更加異構。

為了彌補這一不足，我們研究了在attributed網絡上進行聯合隨機游動，并利用它們來提高深度節點表示學習。提出的框架GraphRNA由兩個主要組件組成，即，一種協作游走機制—AttriWalk，以及一種為隨機游走量身定制的深度嵌入體系結構，稱為圖遞歸網絡(graph recurrent networks ，GRN)。AttriWalk將節點屬性看作是一個二分網絡，并利用它來促進節點間的離散化，減少節點間向高中心匯聚的趨勢。AttriWalk使我們能夠將突出的深度網絡嵌入模型-圖卷積網絡推向一個更有效的架構——GRN。GRN賦予節點表示以與原始attributed網絡中的節點交互相同的方式進行交互。在真實數據集上的實驗結果表明，與目前最先進的嵌入算法相比，GraphRNA算法很有效。

網址：

8. HetGNN: Heterogeneous Graph Neural Network

作者：Chuxu Zhang; Dongjin Song; Chao Huang; Ananthram Swami; Nitesh V. Chawla;

摘要：異構圖表示學習的目的是為每個節點尋求一個有意義的向量表示，以便于后續應用，如鏈接預測、個性化推薦、節點分類等。然而，該任務具有挑戰性，不僅因為需要合并異構由多種類型的節點和邊組成的結構（圖）信息，但也需要考慮與每個節點相關聯的異構屬性或內容（例如，文本或圖像）。盡管在同構(或異構)圖嵌入、屬性圖嵌入以及圖神經網絡等方面都做了大量的工作，但很少有圖神經網絡能夠有效地聯合考慮圖的異構結構(圖)信息以及各節點的異構內容信息。為此，我們提出了一種異構圖神經網絡模型HetGNN。具體來說，我們首先引入一個具有重啟策略的隨機游走，為每個節點抽取一個固定大小的強相關異構鄰居，并根據節點類型對它們進行分組。接下來，我們設計了一個包含兩個模塊的神經網絡結構來聚合這些采樣的相鄰節點的特征信息。第一個模塊對異構內容的“深度”特性交互進行編碼，并為每個節點生成內容嵌入。第二個模塊聚合不同鄰近組(類型)的內容(屬性)嵌入，并通過考慮不同組的影響來進一步組合它們，以獲得最終的節點嵌入。最后，我們利用圖context loss和一個mini-batch梯度下降過程以端到端方式訓練模型。在多個數據集上的大量實驗表明，HetGNN在各種圖挖掘任務（比如鏈路預測、推薦、節點分類聚類、歸納節點分類聚類）中都能超越最先進的baseline。

網址：

9. Learning Dynamic Context Graphs for Predicting Social Events

作者：Songgaojun Deng; Huzefa Rangwala; Yue Ning;

摘要：以建模上下文信息為目標的事件預測是自動分析生成和資源分配等應用程序的一項重要任務。為感興趣的事件捕獲上下文信息可以幫助分析人員理解與該事件相關的因素。然而，由于以下幾個因素，在事件預測中獲取上下文信息是具有挑戰性的: (i)上下文結構和形成的不確定性，(ii)高維特征，以及(iii)特征隨時間的適應性。最近，圖表示學習在交通預測、社會影響預測和可視化問題回答系統等應用中取得了成功。在本文中，我們研究了社會事件建模中的圖表示，以識別事件上下文的動態屬性作為social indicators。

受圖神經網絡的啟發，我們提出了一種新的圖卷積網絡來預測未來的事件(例如，國內動亂運動)。我們從歷史/以前的事件文檔中提取和學習圖表示。該模型利用隱藏的單詞圖特征預測未來事件的發生，并將動態圖序列識別為事件上下文。在多個真實數據集上的實驗結果表明，該方法與各種先進的社會事件預測方法相比具有較強的競爭力。

網址：

10. Automating Feature Subspace Exploration via Multi-Agent Reinforcement Learning

作者：Kunpeng Liu; Yanjie Fu; Pengfei Wang; Le Wu; Rui Bo; Xiaolin Li;

摘要：特征選擇是機器學習的預處理步驟，它試圖為后續的預測任務選擇最相關的特征。有效的特征選擇可以降低維數，提高預測精度，提高結果的可理解性。從子集空間中尋找最優特征子集是一個非常具有挑戰性的問題，因為子集空間可能非常大。在已有研究的基礎上，增強學習為搜索策略的全局化提供了新的視角。針對特征選擇問題，提出了一種多智能體增強學習框架。具體來說，我們首先用一個增強學習框架來重新制定特征選擇，將每個特征視為一個智能體。然后，通過三種方法得到環境狀態，即為了使算法更好地理解學習過程，本文采用了統計描述、自動編碼器和圖卷積網絡(GCN)。我們展示了如何以一種基于圖的方式學習狀態表示，這種方法不僅可以處理邊的變化，還可以處理節點逐步變化的情況。此外，我們還研究了如何通過更合理的獎勵方案來改善不同特征之間的協調。該方法具有全局搜索特征子集的能力，并且由于增強學習的性質，可以很容易地適應實時情況(實時特征選擇)。此外，我們還提出了一種有效的加速多智能體強化學習收斂的策略。最后，大量的實驗結果表明，該方法比傳統方法有顯著的改進。

網址：

11. Robust Graph Convolutional Networks Against Adversarial Attacks

作者：Dingyuan Zhu; Ziwei Zhang; Peng Cui; Wenwu Zhu;

摘要：圖卷積網絡(GCNs)是一種新興的基于圖的神經網絡模型，在節點分類任務中取得了最先進的性能。然而，近年來的研究表明，GCN容易受到惡意攻擊，即在圖結構和節點屬性上的小擾動，這給GCN網絡在實際應用中帶來了很大的挑戰。如何提高GCN的魯棒性仍然是一個關鍵的開放性問題。

為了解決這一問題，我們提出了Robust GCN (RGCN)，這是一種新的模型，它“加強”了GCN的對抗攻擊能力。具體來說，我們的方法不是將節點表示為向量，而是采用高斯分布作為每個卷積層中節點的隱藏表示。這樣，當圖受到攻擊時，我們的模型可以自動吸收高斯分布方差變化的不利影響。此外，為了彌補對抗性攻擊在GCN中的傳播，我們提出了一種基于方差的注意力機制，即在執行卷積時根據節點鄰域的方差分配不同的權值。大量的實驗結果表明，我們提出的方法可以有效地提高GCN的魯棒性。在三個基準圖上，與最先進的GCN方法相比，我們的RGCN在各種對抗攻擊策略下的節點分類精度有了顯著提高。

網址：

12. Stability and Generalization of Graph Convolutional Neural Networks

作者：Saurabh Verma; Zhi-Li Zhang;

摘要：圖卷積神經網絡(GCNNs)是受卷積神經網絡在一維和二維數據上的啟發而發展起來的一種用于各種圖數據學習任務的神經網絡，在實際數據集上表現出了良好的性能。盡管GCNN模型取得了一定的成功，但是對于GCNN模型的泛化性質等理論探索卻十分缺乏。本文通過分析單層GCNN模型的穩定性，推導出其在半監督圖學習環境下的泛化保證，為深入理解GCNN模型邁出了第一步。特別地，我們證明了GCNN模型的算法穩定性依賴于其圖卷積濾波器的最大絕對特征值。此外，為了確保提供強泛化保證所需的均勻穩定性，最大絕對特征值必須與圖的大小無關。我們的結果為設計新的和改進的具有算法穩定性的圖卷積濾波器提供了新的見解。我們對各種真實世界圖數據集的泛華差距和穩定性進行了評價，實證結果確實支持了我們的理論發現。據我們所知，我們是第一個在半監督設置下研究圖學習的穩定性邊界，并推導出GCNN模型的泛化邊界。

網址：

下載鏈接： 提取碼：zbkg