.png){kind=icon}
返回
Proactive structural stabilization for robust learning on heterogeneous graphs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.109462.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异质图神经网络通过元路径建模捕获丰富的异质语义，但此类语义传播也可能在结构扰动下放大预测的不稳定性。现有的鲁棒性方法通常基于对扰动模式的特定假设构建，例如识别并移除不可靠边，这限制了当结构扰动偏离这些假设时的泛化能力。为解决此局限性，我们提出了一种用于异质图上鲁棒学习的主动结构稳定框架，即主动结构稳定鲁棒学习（PSTABLE）。在脆弱性评估中，PSTABLE通过互补视角联合评估结构影响、预测不稳定性和语义参与度来识别脆弱节点。基于此分析，PSTABLE沿关键元路径引入可学习的辅助节点，以局部强化脆弱区域的结构支撑。在固定模型参数的情况下，PSTABLE利用脆弱节点的预测置信度作为反馈优化辅助节点表示，从而增强局部语义支撑同时保持语义完整性。在污染攻击和规避攻击设置下的广泛实验表明，PSTABLE在多样化的结构扰动下持续提升鲁棒性，同时在干净图上保持有竞争力的性能。
Keyword:
Heterogeneous graph neural networks
Robustness
Adversarial attacks
Node classification,
