IEEE TNNLS期刊：面向跨网络边分类的域自适应图注意力监督网络

©PaperWeekly 原创 · 作者 | 沈笑

单位 | 海南大学副教授

研究方向 | 图神经网络、跨网络节点分类

本文介绍一篇 IEEE TNNLS 期刊发表的论文，面向跨网络边分类的域自适应图注意力监督网络 [1]。

论文题目：

Domain-Adaptive Graph Attention-Supervised Network for Cross-Network Edge Classification

论文作者：

沈笑，邵梦秋，潘世瑞，杨天若，周犀

论文单位：

海南大学，澳大利亚格里菲斯大学，加拿大圣弗朗西斯塞维尔大学

论文链接：

https://ieeexplore.ieee.org/abstract/document/10246298/

论文代码：

https://github.com/Qqqq-shao/DGASN 

前言

图神经网络（GNN）在图表示学习方面取得了显著的成就，而 GNN 的成功依赖于递归地进行邻居节点聚合。这种邻居聚合操作基于网络的同质性假设，即连接的节点通常具有相同的标签。

然而，真实世界的图通常包含连接具有不同标签的节点的噪声边。通过这种噪声边进行邻居聚合，使得不同类别的节点信息将混合在一起，导致过平滑问题，即不同类别的节点嵌入变得无法区分，GNN 的性能明显下降。

为了减轻噪声边的负面影响，近期一些 GNN 方法 [2-7] 通过预测节点对之间的标签一致性，并基于预测结果，在邻居节点聚合过程中过滤噪声边或降低噪声边的权重。然而，这些工作都是在单个网络中进行的，当前缺少针对跨网络的噪声边的预测工作。

为了填补这一空白，该论文首次定义了跨网络同嗜边和异嗜边分类（Cross-network Homophilous and Heterophilous Edge Classification, CNHHEC）问题。

如图 1 所示，根据边上两个节点之间的标签一致性，边被标记为同嗜边（Homophilous edges）或异嗜边（Heterophilous edges），其中，同嗜边表示两个相连节点至少有一个共同的类别标签，而异嗜边表示两个相连节点的类别标签完全不同。

在 CNHHEC 问题中，给定一个完全标记的源网络和一个完全未标记的目标网络，两个网络之间存在固有的域间差异，其目的是通过迁移源网络中的学习知识，将目标网络中的边准确分类为同嗜边或异嗜边。

▲ 图1 跨网络同嗜边和异嗜边分类（CNHHEC）问题示意图

模型

该论文提出首个针对跨网络同嗜边和异嗜边分类的模型，即域自适应图注意力监督网络（Domain-adaptive Graph Attention-supervised Network, DGASN），模型框架如图 2 所示。

首先，该模型通过联合训练节点嵌入和边嵌入，学习可有效区分同嗜边和异嗜边的嵌入表示；其次，该模型创新地在图注意学习过程中采用直接监督的方式，一方面，减少异嗜边的注意力权重，以降低其在邻居聚合过程产生的负面影响，另一方面，增大同嗜边的注意力权重，以增强其在邻居聚合过程中的正面影响，从而更有效地区分同嗜边和异嗜边。

最后，该模型采用对抗域适应学习具有网络不变性的边嵌入，以有效迁移源网络的知识为目标网络进行同嗜边和异嗜边分类。