生成对抗图区分模型

语义判别力增强

针对图对比学习语义判别不足的问题，该模型利用生成对抗网络生成语义攻击，迫使编码器学习更具区分性的节点表示，从而提高下游任务性能。

Jitao, Zhao · 何东晓 · Ge, Meng · Yongqi, Huang · Lianze, Shan · 秦永彬 · 冯志勇

Information Fusion 2024

技术优势

学得到语义

用生成器产生‘相似但语义错误’的节点表示攻击判别器，迫使编码器学会区分语义不同的图，而不仅仅分辨原图和噪声图。

开销不涨

GA-GGD 在不显著增加计算开销和内存占用的情况下提升模型的语义信息嵌入。

攻防更稳

由于编码器能更好地区分语义，模型在面对对抗攻击时更加稳健。

应用场景

• 图神经网络：生成对抗训练可嵌入到现有 GNN 框架，增强节点表示的语义区分能力。
• 图数据挖掘：在大规模图数据上保持高效，且能学到更具信息量的表示用于挖掘任务。
• 对抗防御：训练中生成语义攻击使编码器更稳健，在防御测试中性能提升。
• 表示学习：无需标签即可学到语义可分的节点表示，适合下游任务迁移。
• 图分类：更好的语义区分直接提升图分类准确率，已在多个数据集验证。