结构扰动下的拓扑感知图神经网络：跨领域的经验鲁棒性

《PLOS Complex Systems》：Topology-aware GNNs under structural perturbations: Empirical robustness across domains

　　

图神经网络从关系结构中学习，但对边级噪声敏感。研究人员研究了一种混合图分类器，该分类器结合了消息传递分支（图同构网络，GIN）和基于扩展持久性图（Extended Persistence Diagrams）和PersLay嵌入（PersLay embeddings）的拓扑分支。训练可选地使用一种由稳定持久性图表示和Lipschitz正则性（Lipschitz regularity）激发的论文特定铰链惩罚（hinge penalty），研究人员将其缩写为“HK-inspired”。在六个TUDataset基准测试上，研究人员比较了五种消融配置（Full, GIN+PersLay, GIN+HK, GIN only, PersLay only），并测量了鲁棒性，即测试时在10%随机边移除下的准确率下降（accuracy drop），其中持久性图固定为原始图；研究人员还报告了在MUTAG和PROTEINS上的针对性扰动以及所有六个数据集上的运行时间。正则化配置在GIN-only敏感的区域减少了相对准确率下降，特别是在较小的分子和蛋白质图上，但并未一致地最大化干净或扰动准确率。在大型社交网络基准测试上，鲁棒性差异很小，干净准确率是主要区分因素。将PersLay添加到GIN可以在几个数据集上提高准确率，而单独使用PersLay表现最差。训练完整模型相对于GIN-only增加了每轮成本，并且大部分开销在训练期间而非推理期间。总体而言，结果支持一个有条件的经验结论：结合结构、拓扑和稳定性导向的训练可以在指定的结构扰动下提高鲁棒性，但存在数据集依赖的准确率-稳定性权衡，而非普遍保证。

**研究背景与问题**
图神经网络（GNNs）通过消息传递从关系结构中学习，但其预测对边级噪声（如边缺失、编辑）敏感。在分子、蛋白质和社交网络分类等实际应用中，观测到的图往往不完整或不可靠，因此提升模型在结构扰动下的鲁棒性具有重要意义。持久性图（PDs）能够总结多尺度拓扑结构，可补充局部消息传递的不足，但现有研究缺乏对拓扑感知GNN在结构扰动下鲁棒性的系统经验评估。为此，研究人员开展了本研究，旨在评估结合拓扑特征和稳定性正则化的混合GNN模型在跨领域基准上的鲁棒性表现。论文发表在《PLOS Complex Systems》。

**研究内容与结论**
研究人员提出了一种混合图分类器，包含GIN（图同构网络）结构分支和基于扩展持久性图及PersLay嵌入的拓扑分支，并可选地引入HK-inspired稳定性正则化。在六个TUDataset基准（MUTAG、PROTEINS、ENZYMES、NCI1、COLLAB、REDDIT-BINARY）上，比较了五种消融配置（Full、GIN+PersLay、GIN+HK、GIN only、PersLay only），以10%随机边移除下的准确率下降（Drop）为主要鲁棒性指标，同时报告了针对性扰动和运行时间。结论表明：正则化配置在GIN-only敏感的小型分子和蛋白质图上显著降低准确率下降，但可能牺牲干净准确率；大型社交网络对10%边移除几乎不敏感；PersLay单独使用效果最差，但与GIN融合可提升准确率；完整模型训练成本增加，但推理开销较小。总体而言，拓扑感知融合和稳定性训练是数据集依赖的实用选项，而非普遍保证。

**主要技术方法（不超过250字）**
研究人员使用GIN作为结构分支，通过K层消息传递聚合邻居特征，输出经和池化得到图表示。拓扑分支基于扩展持久性图，使用热核签名（HKS）滤波生成四个图类型（Ordinary₀、Relative₁、Extended⁺、Extended^-），每个图类型由独立的PersLay层向量化，再拼接为拓扑分支输出。两分支输出经拼接后通过分类MLP。训练中引入HK-inspired稳定性损失，以欧氏距离作为图漂移代理，惩罚预测对数漂移超出代理漂移的部分。消融配置包括Full（双分支+稳定性）、GIN+PersLay（无稳定性）、GIN+HK（无拓扑分支）、GIN only、PersLay only。训练使用AdamW优化器、100轮、余弦退火，批量大小32。数据集来源为TUDataset（包括分子、蛋白质、社交网络图），使用80/20训练测试分割，每配置运行5次。

**研究结果**
- **Test accuracy across configurations**：GIN-only或GIN+PersLay（无稳定性）通常达到最高准确率，如GIN+PersLay在MUTAG（80.0%）和REDDIT-BINARY（88.9%）最佳，GIN-only在ENZYMES（40.5%）和NCI1（78.4%）最佳。Full模型竞争但未持续超越，PersLay-only最差，表明拓扑单独不足。
- **Stability under edge removal**：在MUTAG和PROTEINS上，GIN-only的Drop最大（17.9%和6.5%），Full和GIN+HK更稳定（MUTAG: Full 5.3%, GIN+HK 2.1%）。在ENZYMES上，GIN+HK的Drop最小（0.5%）但准确率最低。COLLAB和REDDIT-BINARY上所有GIN配置Drop接近零，NCI1上Drop中等（2–3.6%），Full和GIN+HK略稳定。
- **Why does adding PersLay help even without the stability loss?**：在大多数数据集上，GIN+PersLay已比GIN-only Drop更小，因为固定持久性图提供不变全局信号，锚定预测。HK惩罚进一步减少Drop，但非普遍，如ENZYMES上GIN+PersLay未减少Drop。
- **Additional perturbation protocols (targeted and spurious)**：在MUTAG和PROTEINS上，针对桥边、中心边移除和虚假/困难非边添加，Full模型较GIN-only更稳定。例如MUTAG上GIN-only对中心边移除的Drop为36.8%，Full仅7.9%；桥边移除下GIN-only Drop为13.2%，Full为2.6%。边添加影响小，有时有益。

**讨论与结论**
讨论部分指出，准确率-稳定性权衡高度依赖数据集：在ENZYMES和PROTEINS上，无正则化模型最大化干净准确率，正则化模型降低Drop；在COLLAB和REDDIT-BINARY上基线敏感性低，正则化效果有限。鲁棒性声明是条件性和经验性的，并非端到端保证，因为持久性稳定要求受控滤波变化，而单一边编辑可大幅改变拓扑。局限性包括固定超参数、不匹配训练扰动（5% vs 10%）、仅两个数据集的目标实验等。
结论部分翻译：在六个基准测试上，正则化GIN/PersLay配置在GIN-only敏感的区域减少了相对准确率下降，特别是在MUTAG和PROTEINS上，但可能在ENZYMES上牺牲准确率；社交网络基准测试对10%边移除已经基本不敏感。PersLay在与GIN融合时有所帮助，但单独使用无效，且大部分额外成本发生在训练期间。因此，拓扑感知融合和稳定性导向训练是实用的、数据集依赖的选项，而非保证的改进。未来工作应扩展多种子目标测试、在测试时编辑后重新计算持久性图、匹配训练扰动强度，并将离线拓扑计算纳入运行时间测量。