论文略读：Uncertainty-Aware Graph Structure Learning

WWW 2025

1 intro

• 传统GNN忽视了图结构自身存在的缺陷:
  • 图结构常常会出现错误边和缺失边等数据问题，从而限制模型的效果
• —>为了解决上述问题，产生了图结构学习算法（GSL）
  • 目的在于优化结点连接和边权重来生成新的邻接矩阵
  • 主流的方法是
    • 
    • Φ是度量函数，如 cosine 相似度等
  • 但是这种主流的方法存在两个问题
    • 建立连接时只依赖嵌入相似度而忽略了结点的信息质量
      • 从邻居结点接收模糊劣质的信息会干扰目标结点的嵌入学习
        • 论文使用了一种代表性的 GSL 模型生成邻接矩阵，然后移除了一定比例的高信息熵邻居结点（噪声邻居）
        • 发现该措施可以显著提升 GNN 的性能
        • 
    • 图结构的对称性限制了 GNN 捕捉复杂关系的能力
      • 当前的 GSL 模型强制约束结点之间构建对称连接
        • 这意味着在信息聚合时，两个结点之间的相互影响是相同的
        • 但实际上结点之间的信息质量存在着差异，互相之间的关系一定程度上是非对称的

2 论文思路

• 提出 UnGSL（Uncertainty-aware Graph Structure Learning）
  • 可以无缝整合至现有 GSL 模型的轻量级插件
  • 利用可学习的结点阈值来自适应区分低熵邻居和高熵邻居，并根据它们的熵等级调整边权重
• 主要流程
  • 预训练给定的 GSL 模型来获得分类器，并计算结点的熵，将其转化为 0 到 1 之间的置信度分数
  • 为每个结点设置可学习的阈值，并重新训练 GSL 模型
    • 在训练中，UnGSL 增强来自高置信度邻居的边权重，同时降低来自低置信度邻居的边权重
    • 换言之，在原先的邻接矩阵权重的基础上乘一个系数
      • 
        • uj邻居的信息熵，εi 结点的可学习阈值，Sij原先的邻接矩阵
        • 
          • τ控制高置信度邻居边权重
          • β控制低置信度邻居边权重

3 实验