7-2 开放环境下图神经网络及其应用

研报主要内容总结

1. 网络建模

• 金融网络、社交网络、神经元网络、信息网络、生物网络、互联网等都是描述复杂系统的通用语言。

2. 网络表示学习

• 节点分类、链路预测、社区发现、网络演化等应用。
• 浅层模型包括基于分解的方法（如Laplacian eigenmaps）和基于随机游走的方法（如DeepWalk、node2vec）。
• 深层模型包括基于自动编码器的方法（如DNGR、SDNE）和基于图神经网络的方法（如GCN、GraphSage、GAT）。

3. 图神经网络

• 迭代公式：[ \mathbf{h}^{(k)}(\mathbf{v}) = \sigma(\mathbf{W}^*\mathbf{h}^{(k-1)}(\mathbf{v}) + \sum_{\mathbf{u} \in \mathcal{N}(\mathbf{v})} \mathbf{h}^{(k-1)}(\mathbf{u}) ) ]
• 预测公式：[ \mathbf{y}^7 = \text{softmax}(\mathbf{A}\mathbf{H}(\mathbf{B}+\mathbf{\Lambda})) ]

4. 开放环境下的图神经网络

• 异质性：多种类型节点和边共存。
• 动态性：图结构和属性动态演化。
• 稀疏性：可见的交互和属性稀疏。
• 脆弱性：图结构和属性易受攻击。

5. 异质图神经网络

• HAN (2019)：适用于异质图的数据嵌入。
• MetaDyGNN (2022)：适用于动态图的数据嵌入。
• HeCo (2021)：适用于稀疏图的数据嵌入。
• RoHe (2022)：适用于对抗攻击的图神经网络。

6. 应用

• 禁止物品检测：在异质风险图上检测禁止物品。
• 禁止物品检测：通过图结构学习检测禁止物品。
• 应用实例：
  • CIKM 2021: 基于异质风险图的禁止物品检测。
  • WWW 2022: 通过图结构学习检测禁止物品。

7. 具体实验

• 数据集：包含个人风险、平台风险和社会风险等多种关系。
• 框架：特征工程、异质风险图构建、异质自监督学习、定向成对自我训练、检测禁止物品。
• 限制：现有GNN需要高质量的结构进行消息传递，标签同质性和特征平滑性问题。

关键数据和结论

• HAN：适用于异质图的数据嵌入。
• MetaDyGNN：适用于动态图的数据嵌入。
• HeCo：适用于稀疏图的数据嵌入。
• RoHe：适用于对抗攻击的图神经网络。
• 禁止物品检测：在多个数据集上进行了有效性分析，证明了方法的有效性。