保持邻居相似性的全局鲁棒图神经网络
原文中文，约300字，阅读约需1分钟。发表于：。在这篇论文中，我们探索了异质图中图神经网络的脆弱性，并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题，我们提出了一种名为 NSPGNN 的新型鲁棒模型，它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明，与现有方法相比，NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。
该论文研究了异质图中图神经网络的脆弱性，并提出了一种名为NSPGNN的鲁棒模型，通过双k最近邻图管道来解决负分类损失更新与成对相似性的负相关问题。实验证明，NSPGNN在同质图和异质图上都具有普遍的鲁棒性。
