導(dǎo)讀：在 NeurIPS 2020 上，清華大學(xué)聯(lián)合微眾銀行、微軟研究院以及博世人工智能中心提出了 Graph Random Neural Network （GRAND），一種用于圖半監(jiān)督學(xué)習(xí)的新型圖神經(jīng)網(wǎng)絡(luò)框架。在模型架構(gòu)上，GRAND 提出了一種簡單有效的圖數(shù)據(jù)增強方法 Random Propagation，用來增強模型魯棒性及減輕過平滑。基于 Random Propagation，GRAND 在優(yōu)化過程中使用一致性正則（Consistency Regularization）來增強模型的泛化性，即除了優(yōu)化標簽節(jié)點的 cross-entropy loss 之外，還會優(yōu)化模型在無標簽節(jié)點的多次數(shù)據(jù)增強的預(yù)測一致性。GRAND 不僅在理論上有良好的解釋，還在三個公開數(shù)據(jù)集上超越了 14 種不同的 GNN 模型，取得了 SOTA 的效果。

這項研究被收入為 NeurIPS 2020 的 Oral paper （105/9454）。

論文名稱：GraphRandom Neural Network for Semi-Supervised Learning on Graphs

研究背景

圖是用于建模結(jié)構(gòu)化和關(guān)系數(shù)據(jù)的一種通用的數(shù)據(jù)結(jié)構(gòu)。在這項工作中，我們重點研究基于圖的半監(jiān)督學(xué)習(xí)問題，這個問題的輸入是一個節(jié)點帶屬性的無向圖，其中只有一小部分節(jié)點有標簽，我們的目的是要根據(jù)節(jié)點屬性，圖的結(jié)構(gòu)去預(yù)測無標簽節(jié)點的標簽。近幾年來，解決這個問題一類有效的方法是以圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）［1］為代表的圖神經(jīng)網(wǎng)絡(luò)模型（GNN）。其主要思想是通過一個確定性的特征傳播來聚合鄰居節(jié)點的信息，以此來達到對特征降噪的目的。

但是，最近的研究表明，這種傳播過程會帶來一些固有的問題，例如：

1） 過平滑，圖卷積可以看做是一種特殊形式的拉普拉斯平滑，疊加多層之后節(jié)點之間的feature就會變得不可區(qū)分。

2）欠魯棒，GNN中的特征傳播會使得節(jié)點的預(yù)測嚴重依賴于特定的鄰居節(jié)點，這樣的模型對噪音的容忍度會很差，例如KDD’18的best paper［2］就表明我們甚至可以通過間接攻擊的方式通過改變目標節(jié)點鄰居的屬性來達到攻擊目標節(jié)點的目的。

3）過擬合，在半監(jiān)督節(jié)點分類的任務(wù)中，有標簽的節(jié)點很少，而一般GNN僅僅依靠這些少量的監(jiān)督信息做訓(xùn)練，這樣訓(xùn)練出來的模型泛化能力會比較差。

模型介紹

為了解決這些問題，在這個工作中我們提出了圖隨機神經(jīng)網(wǎng)絡(luò)（GRAND），一種簡單有效的圖半監(jiān)督學(xué)習(xí)方法。與傳統(tǒng)GNN不同，GRAND采用隨機傳播（Random Propagation）策略。具體來說，我們首先隨機丟棄一些節(jié)點的屬性對節(jié)點特征做一個隨機擾動，然后對擾動后的節(jié)點特征做一個高階傳播。這樣一來，每個節(jié)點的特征就會隨機地與其高階鄰居的特征進交互，這種策略會降低節(jié)點對某些特定節(jié)點的依賴，提升模型的魯棒性。

除此之外，在同質(zhì)圖中，相鄰的節(jié)點往往具有相似的特征及標簽，這樣節(jié)點丟棄的信息就可以被其鄰居的信息補償過來。因此這樣形成的節(jié)點特征就可以看成是一種針對圖數(shù)據(jù)的數(shù)據(jù)增強方法?；谶@種傳播方法，我們進而設(shè)計了基于一致性正則（consistency regularization）的訓(xùn)練方法，即每次訓(xùn)練時進行多次Random Propagation 生成多個不同的節(jié)點增強表示，然后將這些增強表示輸入到一個MLP中，除了優(yōu)化交叉熵損失之外，我們還會去優(yōu)化MLP模型對多個數(shù)據(jù)增強產(chǎn)生預(yù)測結(jié)果的一致性。這種一致性正則損失無需標簽，可以使模型利用充足的無標簽數(shù)據(jù)，以彌補半監(jiān)督任務(wù)中監(jiān)督信息少的不足，提升模型的泛化能力，減小過擬合的風(fēng)險。

圖一

圖二

我們對GRAND進行了理論分析，分析結(jié)果表明，這種Random propagation + Consistency Regularization 的訓(xùn)練方式實際上是在優(yōu)化模型對節(jié)點與其鄰居節(jié)點預(yù)測置信度之間的一致性。

實驗結(jié)果

我們在GNN基準數(shù)據(jù)集中的實驗結(jié)果對GRAND進行了評測，實驗結(jié)果顯示GRAND在3個公開數(shù)據(jù)集中顯著超越了14種不同種類的GNN模型，取得了SOTA的效果。實驗結(jié)果（圖三）：

圖三

此外我們還對模型泛化性，魯棒性，過平滑等問題進行了分析，實驗結(jié)果顯示1）Consistency Regularization 和Random Propagation均能提升模型的泛化能力（圖四）;2）GRAND具有更好的對抗魯棒性（圖五）;3）GRAND可以減輕過平滑問題（圖六）。

圖四

圖五

圖六

責(zé)任編輯：xj