WWW 2025

1 intro

• 傳統GNN忽視了圖結構自身存在的缺陷:
  • 圖結構常常會出現錯誤邊和缺失邊等數據問題，從而限制模型的效果
• —>為了解決上述問題，產生了圖結構學習算法（GSL）
  • 目的在于優化結點連接和邊權重來生成新的鄰接矩陣
  • 主流的方法是
    • 
    • Φ是度量函數，如 cosine 相似度等
  • 但是這種主流的方法存在兩個問題
    • 建立連接時只依賴嵌入相似度而忽略了結點的信息質量
      • 從鄰居結點接收模糊劣質的信息會干擾目標結點的嵌入學習
        • 論文使用了一種代表性的 GSL 模型生成鄰接矩陣，然后移除了一定比例的高信息熵鄰居結點（噪聲鄰居）
        • 發現該措施可以顯著提升 GNN 的性能
        • 
    • 圖結構的對稱性限制了 GNN 捕捉復雜關系的能力
      • 當前的 GSL 模型強制約束結點之間構建對稱連接
        • 這意味著在信息聚合時，兩個結點之間的相互影響是相同的
        • 但實際上結點之間的信息質量存在著差異，互相之間的關系一定程度上是非對稱的

2 論文思路

• 提出?UnGSL（Uncertainty-aware Graph Structure Learning）
  • 可以無縫整合至現有 GSL 模型的輕量級插件
  • 利用可學習的結點閾值來自適應區分低熵鄰居和高熵鄰居，并根據它們的熵等級調整邊權重
• 主要流程
  • 預訓練給定的 GSL 模型來獲得分類器，并計算結點的熵，將其轉化為 0 到 1 之間的置信度分數
  • 為每個結點設置可學習的閾值，并重新訓練 GSL 模型
    • 在訓練中，UnGSL 增強來自高置信度鄰居的邊權重，同時降低來自低置信度鄰居的邊權重
    • 換言之，在原先的鄰接矩陣權重的基礎上乘一個系數
      • 
        • uj鄰居的信息熵，εi 結點的可學習閾值，Sij原先的鄰接矩陣
        • 
          • τ控制高置信度鄰居邊權重
          • β控制低置信度鄰居邊權重

3 實驗