Apprentissage Robuste de Données Graphiques par Représentation Convolutionnelle Latente

La représentation par convolution de graphe (GCR) a obtenu des performances impressionnantes pour la représentation de données de graphe. Cependant, la GCR existante est généralement définie sur un graphe d'entrée fixe, ce qui peut limiter la capacité de représentation et rendre le modèle vulnérable aux attaques structurelles et aux bruits. Pour résoudre ce problème, nous proposons une nouvelle représentation par convolution de graphe latente (LatGCR) pour une représentation et un apprentissage robustes des données de graphe. Notre LatGCR est dérivée en reformulant la représentation par convolution de graphe sous l'angle de la reconstruction du voisinage du graphe. Étant donné un graphe d'entrée $\textbf{A}$, LatGCR vise à générer un graphe latent flexible $\widetilde{\textbf{A}}$ pour la représentation par convolution de graphe, ce qui améliore considérablement la capacité de représentation et offre également une robustesse face aux attaques structurelles et aux bruits du graphe. De plus, LatGCR est mise en œuvre de manière auto-supervisée et fournit ainsi un bloc de base pour les tâches d'apprentissage supervisé et non supervisé des graphes. Les expériences menées sur plusieurs jeux de données démontrent l'efficacité et la robustesse de LatGCR.