【KDD2023】基于弱信息的强图神经网络学习

图神经网络(GNNs)在许多图学习任务中表现出令人印象深刻的性能。然而，当输入的图数据信息弱，即结构不完整、特征不完整和标签不足时，GNNs的性能可能会下降。大多数先前的研究试图从具有特定类型弱信息的图数据中学习，但在处理各种数据缺陷并相互影响的场景时，这些研究效果不佳。为了填补这个空白，我们在这篇论文中，试图针对弱信息图学习（GLWI）问题，开发一种有效且原则性的方法。基于我们的实证分析，我们得出了解决GLWI问题的两个设计重点，即使GNNs能够进行长距离传播，并允许信息传播到那些与最大连接组件隔离的漂泊节点。据此，我们提出了D2PT，一种双通道GNN框架，它不仅在具有不完整结构的输入图上执行长距离信息传播，而且还在编码全局语义相似性的全局图上执行信息传播。我们进一步开发了一个原型对比对齐算法，它将从两个通道中学到的类级原型进行对齐，以便两种不同的信息传播过程可以相互受益，最终学习的模型可以很好地处理GLWI问题。在八个真实世界的基准数据集上的大量实验表明，我们提出的方法在各种GLWI场景中都表现出了有效性和效率。