ترجمه فارسی مقاله شما نمی‌توانید هیچ‌کدام را نادیده بگیرید: یکپارچه‌سازی ساختار و نویززدایی ویژگی برای یادگیری قوی گراف

چکیده

Recent research on the robustness of Graph Neural Networks (GNNs) under noises or attacks has attracted great attention due to its importance in real-world applications. Most previous methods explore a single noise source, recovering corrupt node embedding by reliable structures bias or developing structure learning with reliable node features. However, the noises and attacks may come from both structures and features in graphs, making the graph denoising a dilemma and challenging problem. In this paper, we develop a unified graph denoising (UGD) framework to unravel the deadlock between structure and feature denoising. Specifically, a high-order neighborhood proximity evaluation method is proposed to recognize noisy edges, considering features may be perturbed simultaneously. Moreover, we propose to refine noisy features with reconstruction based on a graph auto-encoder. An iterative updating algorithm is further designed to optimize the framework and acquire a clean graph, thus enabling robust graph learning for downstream tasks. Our UGD framework is self-supervised and can be easily implemented as a plug-and-play module. We carry out extensive experiments, which proves the effectiveness and advantages of our method. Code is avalaible at https://github.com/YoungTimmy/UGD.

چکیده به فارسی (ترجمه ماشینی)

تحقیقات اخیر در مورد استحکام شبکه های عصبی نمودار (GNN) تحت سر و صداها یا حملات به دلیل اهمیت آن در کاربردهای دنیای واقعی مورد توجه زیادی قرار گرفته است.بیشتر روشهای قبلی یک منبع سر و صدای واحد را کشف می کنند ، و در حال تعبیه گره فاسد توسط تعصب ساختارهای قابل اعتماد یا توسعه یادگیری ساختار با ویژگی های گره قابل اعتماد هستند.با این حال ، صداها و حملات ممکن است از هر دو ساختار و ویژگی های موجود در نمودارها ناشی شود ، و این باعث می شود که این نمودار به یک معضل و مشکل چالش برانگیز تبدیل شود.در این مقاله ، ما یک چارچوب یکپارچه Denoising (UGD) یکپارچه برای پرده برداری از بن بست بین ساختار و ویژگی های خاص ایجاد می کنیم.به طور خاص ، یک روش ارزیابی نزدیکی محله با مرتبه بالا برای تشخیص لبه های پر سر و صدا پیشنهاد شده است ، با توجه به اینکه ویژگی ها ممکن است به طور همزمان آشفته شوند.علاوه بر این ، ما پیشنهاد می کنیم ویژگی های پر سر و صدا را با بازسازی بر اساس یک رمزعبور خودکار نمودار اصلاح کنیم.یک الگوریتم به روزرسانی تکراری برای بهینه سازی چارچوب و به دست آوردن یک نمودار تمیز طراحی شده است ، بنابراین یادگیری نمودار قوی را برای کارهای پایین دست امکان پذیر می کند.چارچوب UGD ما خود تحت نظارت است و به راحتی می توان به عنوان یک ماژول پلاگین و بازی اجرا کرد.ما آزمایش های گسترده ای را انجام می دهیم ، که اثربخشی و مزایای روش ما را اثبات می کند.کد در https://github.com/youngtimmy/ugd قابل حمل است.