来源：期刊VIP网 时间：
作者：刘淦栋;
单位：电子科技大学格拉斯哥学院;
摘要：图神经网络(Graph Neural Network, GNN)作为处理图数据的有效工具，其中图对比学习无需标签信息便能有效捕捉拓扑结构与节点属性信息，在学术领域广受关注。当前普遍采用的图对比学习技术未能充分考虑属性空间中节点间的相似性，均默认研究图满足同质性假设。在现实应用中，同质性假设并非总是成立，且拓扑结构中的噪声显著影响模型性能，同时，拓扑和属性信息往往互为补充。为了更有效地利用图的拓扑和属性信息，设计更鲁棒的算法，提出一种属性增强拓扑(Attribute Augmented Topology, AAT)算法。该算法无需利用标签信息，通过在属性子空间中构建多个属性视图，与原网络视图进行对比，能更好地整合拓扑与属性信息，显著提升模型的鲁棒性。在真实数据集Cornell上的实验表明，AAT算法在节点分类任务上较传统方法准确率提高超过4%。
关键词：图神经网络;;图对比学习;;同质性假设
