.png){kind=icon}
返回
Multi-View Robust Graph Representation Learning for Graph Classification
.png){kind=icon}
OA
AI
DOI：10.24963/ijcai.2023/449.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图分类模型的鲁棒性在提供高度可靠的应用中起着至关重要的作用。沿着这一方向的前期研究主要关注在面临数据扰动（如移除边）时，从整体数据指标（例如准确率）的角度寻求模型的稳定性。经验上，我们发现这些图分类模型也受到语义偏差和置信度崩溃问题的影响，这些问题显著阻碍了它们在实际场景中的应用。为解决这些问题，我们提出了MGRL，一种针对图分类任务的多视角表示学习模型，能够实现鲁棒的结果。首先，我们提出了一种实例视图一致性表示学习方法，该方法利用多粒度对比学习技术对节点和图两个层面的实例表示施加语义约束，从而缓解语义偏差问题。其次，我们提出了一种类别视图判别表示学习方法，该方法采用原型驱动的类别距离优化技术来调整类内和类间距离，进而缓解置信度崩溃问题。最后，在八个基准数据集上的大量实验和可视化结果证明了MGRL的有效性。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息