WWW 2025 | 即插即用、轻松涨点！用不确定性助力图结构学习，提升GNN性能

文章预览

©PaperWeekly 原创 · 作者 |  韩申 单位 |  浙江大学 研究方向 |  图数据挖掘 论文题目： Uncertainty-Aware Graph Structure Learning 论文地址： https://arxiv.org/abs/2502.12618 动机 图神经网络（GNN）在处理图结构数据上具有卓越的效果。随着模型架构的不断演变，GNN 的性能也在不断提升。然而这些基于模型架构的方法忽视了图结构自身存在的缺陷。例如，图结构常常会出现错误边和缺失边等数据问题，从而限制模型的效果。 为了解决上述问题，图结构学习算法（GSL）近年来备受关注。 GSL 的目的在于优化结点连接和边权重来生成新的邻接矩阵，该矩阵可以有效提升 GNN 在下游任务中的准确性，同时强化图数据应对各种攻击的鲁棒性。 主流的 GSL 模型通过计算结点之间的嵌入相似度来构建新的邻接矩阵： 其中 是结点的嵌入矩阵， 是度量函数，如 cosine 相似度等。 ………………………………