图分类器关键技术研究与应用.pdfVIP

摘要

摘要

在人工智能和深度学习技术快速进步的当下，图神经网络（GraphNeural

Networks，GNN）以其在处理复杂数据关系方面的出色能力，受到了广泛的关注，

并迅速成为图分类器（GraphClassifier，GC）的主流方法。

GNN通过在图结构数据上应用深度学习技术，有效捕捉节点间的复杂关联以

及图级全局模式，为具体的下游任务提供了有效的解决方案。尽管如此，GNN在

实际的图分类任务中面临诸多挑战，包括对标签数据的高度依赖、模型的可信赖

度低以及解释性的不足的问题。

针对这些问题，本文提出了创新的解决策略及相应的GNN架构设计，专门应

用于图级别分类任务，并在实际场景中进行了验证。本文的主要贡献如下。

（1）提出了基于增强变分自编码器的自监督图分类器（Self-SupervisedGraph

ClassifierwithAugmentedVariationalAutoencoder，SSGC-AVA）。该分类器针对GNN

对标签高度依赖的问题，利用生成式模型基于图内节点的相关性进行可解释并且

有效的数据增强，搭配自监督学习算法全面学习图的结构特征，有效降低了GNN

对于标签数据的依赖性，同时增强了模型的透明度和解释能力；

（2）提出了可信图分类器（TrustworthyGraphClassifier，TrustGC）。该分类器

针对GNN可信赖度低的问题，基于信息瓶颈理论的预训练去除图内噪声、采用对

抗学习策略和贝叶斯网络，提升了模型在噪声数据环境下的鲁棒性和可信度；

（3）提出了可解释图分类器（ExplainableGraphClassifier，EXPGC）。该分类

器针对GNN可解释性差的问题，深入学习图的局部和全局特征并在不同层次进行

特征融合，得到富含信息的图表征。其随后利用知识图谱的交互及大型语言模型

（LLMs）的辅助，增强了模型的可解释性和用户互动性。此外，为了使LLMs生

成的解释与GNN及图分类下游任务紧密相关，本文构造了一个包含超过两万个问

答对的指令数据集。

上述研究不仅有效应对了GNN作为图分类器面临的关键挑战，也为GNN在

不同领域的应用开辟了新的视角和方法。通过在谣言检测任务中的应用验证，本

文所提出的架构展现了其在处理标签数据稀缺性、抵御数据噪声和提供模型决策

解释方面的卓越性能，从而证明了其有效性和实用性。

关键词：图神经网络，图分类器，自监督学习，可信度，可解释性

I

ABSTRACT

ABSTRACT

Inthecurrenteraofrapidadvancementsinartificialintelligenceanddeeplearn-

ingtechnologies,GraphNeuralNetworks(GNN)havegainedwidespreadattentionand

quicklybecomethemainstreamapproachforgraphclassificationtasksduetotheirexcep-

tionalabilitytohandlecomplexdatarelationships.

Byapplyingdeeplearningtechniquesongraph-structureddata,GNNeffectivelycap-

turethecomplexassociationsbetweennodesandtheglobalpatternsofthegraph,provid-

ingeffectivesolutionsforspecificdownstreamtasks.However,GNNfaceseveralchal-

lengesinpracticalgraphclassificationtasks,includingahighdependenceonlabeleddata,

insufficientmodelreliability,andlackofinterpre