Robustes Lernen von Graphendaten durch latente graphkonvolutionale Darstellung

Die Graph-Convolutions-Darstellung (GCR) hat beeindruckende Leistungen bei der Darstellung von Graphendaten erzielt. Allerdings ist die bestehende GCR in der Regel auf einem festen Eingabegraph definiert, was die Darstellungsfähigkeit einschränken und sie gegenüber strukturellen Angriffen und Störungen anfällig machen kann. Um dieses Problem zu lösen, schlagen wir eine neuartige latente Graph-Convolutions-Darstellung (LatGCR) für eine robuste Darstellung und Lernung von Graphendaten vor. Unsere LatGCR basiert auf einer Neufassung der Graph-Convolutions-Darstellung unter dem Aspekt der Nachbarschaftsrekonstruktion in Graphen. Gegeben sei ein Eingabegraph $\textbf{A}$; LatGCR strebt an, einen flexiblen latenten Graphen $\widetilde{\textbf{A}}$ für die Graph-Convolutions-Darstellung zu generieren, was die Darstellungsfähigkeit offensichtlich erhöht und auch robust gegenüber strukturellen Angriffen und Störungen im Graphen ist. Des Weiteren wird LatGCR in einer selbstüberwachten Weise implementiert und bietet somit einen grundlegenden Baustein für sowohl überwachte als auch nicht überwachte Graph-Lernaufgaben. Experimente mit mehreren Datensätzen zeigen die Effektivität und Robustheit von LatGCR.