异质性下的鲁棒图结构学习
内容提要
本文综述了异质图学习的研究进展，包括图聚类方法、模型架构及应用案例。新提出的方法通过图重构和双图聚类网络在多个基准上表现优越，同时探讨了同质性与异质性对图神经网络鲁棒性的影响，强调了自监督学习在异构图表征中的重要性。
延伸解读
异质图学习的核心挑战
异质图普遍存在于现实场景，但传统图神经网络多针对同质图设计，在异质图上性能受限。文章指出，现有方法难以处理异质图聚类问题，且大多数聚类方法忽视异质性，限制了实际应用。因此，如何有效识别同质与异质边、设计适应异质结构的模型，成为该领域的关键挑战。
方法创新：从图重构到双图聚类
针对异质图聚类，文章介绍了一种包含图重构、混合滤波器和双图聚类网络的新方法。该方法通过邻居信息区分同质与异质边，构建低通和高通滤波器以捕获综合信息，并利用压缩-激励块增强重要特征。在11个基准图上的实验表明，其性能优于现有方法，为异质图聚类提供了新思路。
鲁棒性与异质性的关联
研究揭示了异质性标签与GNN对抗性攻击鲁棒性之间的关系。采用相应设计原则可提高鲁棒性，实验显示比未接种疫苗的模型性能提升达18.33%。此外，LHS方法通过自动学习潜在同质结构来加固GCNs，而GREET方法通过边鉴别器学习同态和异态边，提高了在异态图上的泛化能力和鲁棒性。
自监督学习的潜力与未来方向
自监督学习在异质图表征中展现出潜力。文章提出基于度量的自监督预训练策略，在分子属性预测和蛋白质功能预测任务中取得最先进性能。同时，对异质性与同质性二分法的反思表明，需要更细粒度的度量如特征信息量来理解模型行为。未来研究可探索更鲁棒的结构学习与自监督结合。
Q&A
异质图学习的主要研究进展有哪些？
异质图学习的主要研究进展包括图聚类方法、模型架构和应用案例的综述，以及同质性与异质性对图神经网络鲁棒性的影响。
新提出的图聚类方法有哪些关键组成部分？
新提出的图聚类方法包括图重构、混合滤波器和双图聚类网络。
同质性增强的结构学习方法（HoLe）是如何优化图结构的？
HoLe通过交替训练同质性增强的结构学习和基于GNN的聚类来优化图结构。
异质性标签与GNN鲁棒性之间有什么关系？
研究表明，异质性标签与GNN对抗性攻击的鲁棒性存在关系，采用相应设计原则可以提高GNN的鲁棒性。
GREET方法在图表征学习中有什么创新？
GREET通过边鉴别器学习同态和异态的边，采用对偶编码强化边鉴别和表征学习之间的协作，提高了在异态图上的泛化能力和鲁棒性。
自监督学习在异构图表征学习中的作用是什么？
自监督学习在异构图表征学习中通过基于度量的预训练策略增强了图结构的捕捉能力，取得了最先进的性能。
