众所周知,GNN和传统NN的主要区别就是以图的结构为指导,通过聚合邻居信息来学习节点表示。下面展示了GNN的经典聚合过程。
GNN的应用实际有个潜在的假设:图结构是正确的。图上连接都是真实可信的。例如,社交图中的边暗示了真实的朋友关系。
但是,最近的研究发现,实际上图的结构并不是那么的可靠,如噪音连接和偶发连接。错误的图结构加上GNN的扩散过程,会极大的降低节点表示及下游任务的表现(garbage in,garbage out)。这引发了一些关于图结构的研究,即所谓的图结构学习。
自动化所的Yanqiao Zhu等人最近发布了一篇关于图结构学习的综述,建议围观一波。
如下图所示,原始的图结构经过一定的修改变成了图结构,进而提升了后续节点表示和相关任务的效果。