Robustness Controlled Adversarial Graph Convolutional Network for Multi-view Semi-supervised Classification

Jianghua Wang

doi:10.1016/j.knosys.2026.115789

Robustness Controlled Adversarial Graph Convolutional Network for Multi-view Semi-supervised Classification

2026-03-15

0

PRE

AI

DOI：10.1016/j.knosys.2026.115789

原文链接

原文求助

摘要

En 中文

基于图卷积网络的多视图学习能够利用异构数据视图中的监督信息来提升性能，从而在各类实际应用领域中吸引了越来越多的关注。尽管现有研究和应用已取得显著进展，但它们大多将特征学习和拓扑结构学习视为独立过程，导致学习到的表示或拓扑结构未能充分利用，且易受噪声影响。为解决这些挑战，我们首先提出了端到端可解释图神经网络的分层优化框架，然后将对抗训练引入多视图学习，将多视图对抗图卷积问题建模为极小极大优化问题。具体而言，下层优化在稳健控制范围内最大化图正则化以细化图拉普拉斯矩阵，而上层优化则最小化因下层扰动造成的损失以增强表示的鲁棒性。这共同提升了模型对噪声数据的适应性。所提方法旨在同步表示学习和拓扑调整，以确保特征与拓扑结构之间的有效信息传递。它代表了动态图结构学习范式下多视图图卷积网络的一种高效解决方案。广泛的实验验证了我们的方法在各类真实多视图数据集上的有效性。

Keyword:

Multi-view learning

Graph convolutional networks

Adversarial training

Robustness control

Semi-supervised classification

Robustness Controlled Adversarial Graph Convolutional Network for Multi-view Semi-supervised Classification

摘要

期刊

机构

引用论文