「适用于多样图同构的图学习系统：方法论、脆弱性与稳健性」（UGC/FDS13/E06/25）已获研究资助局（RGC）于2025/26年度教员发展计划（FDS）资助

我们欣然宣布，本院最新项目「适用于多样图同构的图学习系统：方法论、脆弱性与稳健性」（UGC/FDS13/E06/25）已获研究资助局（RGC）于2025/26年度教员发展计划（FDS）资助。

“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.

目标

基于图的学习方法是强大的人工智能工具，擅长从关系数据（如社交网络、推荐系统、交通网络和交易网络）中进行学习。然而，它们面临着严重的信任问题，因为它们容易受到恶意的对抗性噪声影响，并且常常会被与任务无关的模式所迷惑，这限制了它们在复杂的真实世界场景中的应用。虽然此前的研究通过增强泛化能力和鲁棒性提高了可信度，但这些努力主要依赖于“同质性”假设——即相似的节点倾向于相互连接——这种假设在某些图中表现良好，但在连接的节点是不同的（异质性图）的情况下则会严重失效，从而限制了其实际应用范围。为了解决这个问题，我们的初步研究揭示了一个关键见解：聚合节点嵌入之间的相似性能显著区分可靠的连接与任务无关的连接，为超越同质性图的图数据增强提供了新的基础。基于此，我们旨在开发一个更具通用性和自动化的可信图学习系统，能够应对各种挑战——包括噪声数据、不同的学习环境以及多样化的图类型——最终在实际场景中提供稳健且可靠的预测。

首席调研员

香港珠海学院