我们很高兴地宣布，一篇题为《具有信息恢复功能的稳健图对比学习》的开创性期刊论文于2025年8月刚刚被《IEEE Transactions on Information Forensics and Security》录取接受。论文由本院教师朱禹林以第一作者身份，与香港理工大学、美国华盛顿大学圣路易斯分校合作完成：
- Yulin Zhu, Xing Ai, Yevgeniy Vorobeychik, Kai Zhou. Robust Graph Contrastive Learning with Information Restoration. (2025). IEEE Transactions on Information Forensics and Security [Accepted]
论文摘要
图对比学习（GCL）框架在图表示方面取得了显著成就学习。然而，与图神经网络（GNNs）类似，GCL 模型也容易受到图结构攻击的影响。作为一种无监督方法 GCL 在抵御对抗性攻击方面面临更大的挑战。此外，关于增强 GCL 的鲁棒性的研究还相当有限。为了深入探究 GCL 在受污染图上的失败之处，我们研究了针对 GCL 框架的图结构攻击所带来的有害影响。我们发现，除了常规观察到的图结构攻击倾向于连接不同节点对这一现象之外，这些攻击还从信息论的角度削弱了图与其表示之间的相互信息，而这是 GCL 高质量节点嵌入的基石。基于这一理论见解，我们提出了一个具有可学习清理视角的鲁棒图对比学习框架，旨在通过恢复由结构攻击引起的减弱的相互信息来净化增强后的图。此外，我们设计了一个完全无监督的调优策略来调整超参数，而无需访问标签信息，这与防御者的知识完全一致。大量的实验表明了其有效性。
研究团队成员
香港珠海学院
- 朱禹林博士，资讯科学学系助理教授
华盛顿大学圣路易斯分校
- Yevgeniy Vorobeychik，麦凯尔维工程学院计算科学与工程系正教授
香港理工大学
- 艾星，香港理工大学博士生
- 周凯，香港理工大学计算科学系助理教授
部分论文照片
