導讀:在 NeurIPS 2020 上,清華大學聯(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)督學習的新型圖神經(jīng)網(wǎng)絡框架。在模型架構上,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

圖是用于建模結構化和關系數(shù)據(jù)的一種通用的數(shù)據(jù)結構。在這項工作中,我們重點研究基于圖的半監(jiān)督學習問題,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,圖的結構去預測無標簽節(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(GCN)[1]為代表的圖神經(jīng)網(wǎng)絡模型(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)督信息做訓練,這樣訓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(GRAND),一種簡單有效的圖半監(jiān)督學習方法。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。基于這種傳播方法,我們進而設計了基于一致性正則(consistency regularization)的訓練方法,即每次訓練時進行多次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)生預測結果的一致性。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,減小過擬合的風險。

圖一

圖二

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

實驗結果

我們在GNN基準數(shù)據(jù)集中的實驗結果對GRAND進行了評測,實驗結果顯示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