「適用於多樣圖同構的圖學習系統：方法論、脆弱性與穩健性」（UGC/FDS13/E06/25）已獲研究資助局（RGC）於2025/26年度教員發展計畫（FDS）資助

我們欣然宣布，本院最新項目「適用於多樣圖同構的圖學習系統：方法論、脆弱性與穩健性」（UGC/FDS13/E06/25）已獲研究資助局（RGC）於2025/26年度教員發展計畫（FDS）資助。

“Investigating the Trustworthy Graph-Based Learning Methods Under Diverse Graph Homophily”, Dr. Zhu, Yulin (PI), Assistant Professor Department of Computer Science, Prof. Lo, Wai Lun (CoI), Professor Department of Computer Science, Prof. Fan, Xiaodan (CoI), Professor, Dept. of Statistics, The Chinese University of Hong Kong, $400,300 (24 months), UGC/FDS13/E06/25.

目標

基於圖的學習方法是強大的人工智慧工具，擅長從關係資料（如社交網路、推薦系統、交通網絡和交易網路）中進行學習。然而，它們面臨著嚴重的信任問題，因為它們容易受到惡意的對抗性雜訊的影響，並且常常會被與任務無關的模式所迷惑，這限制了它們在複雜的真實世界場景中的應用。雖然此前的研究通過增強泛化能力和魯棒性來提高了可信度，但這些努力主要依賴於“同質性”假設——即相似的節點傾向於相互連接——這種假設在某些圖中表現良好，但在連接的節點是不同的（異質性圖）的情況下則會嚴重失效，從而限制了其實際應用範圍。為了解決這個問題，我們的初步研究揭示了一個關鍵的見解：聚合節點嵌入之間的相似性能夠顯著區分可靠的連接與任務無關的連接，為超越同質性圖的圖資料增強提供了新的基礎。基於此，我們旨在開發一個更具通用性和自動化的可信圖學習系統，該系統能夠應對各種挑戰——包括雜訊資料、不同的學習環境以及多樣化的圖類型——從而最終在實際場景中提供穩健且可靠的預測。

首席調研員

香港珠海學院