摘要

图卷积网络（Graph Convolution Networks, GCNs）在各类图数据任务中被广泛应用于挖掘空间数据中的知识。本研究首次系统性地从定量角度探究了GCN在普遍存在异质性（heterophilic）图结构上进行节点分类时的鲁棒性问题。我们发现，导致模型主要脆弱性的根源在于结构层面的分布外（Out-of-Distribution, OOD）问题。基于这一发现，我们提出了一种新颖的方法——LHS（Latent Homophilic Structures），旨在通过自动学习异质图上的潜在同质结构，增强GCN的鲁棒性。具体而言，我们的方法首先利用一种基于多节点交互的新型自表达技术，学习图的潜在结构；随后，采用一种成对约束的双视图对比学习策略对所学结构进行精细化优化。通过迭代执行上述过程，使GCN模型能够在异质图上以同质化的方式进行信息聚合。借助这种可自适应调整的结构，我们能够有效缓解异质图中结构层面的OOD威胁。在多个基准数据集上的实验结果表明，所提出的LHS方法在提升GCN鲁棒性方面具有显著有效性。