AdvSynGNN: 적대적 합성 및 자가 교정 전파를 통한 구조 적응형 그래프 신경망

AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation

그래프 신경망은 구조적 노이즈나 비동질적 토폴로지에 직면할 때 종종 상당한 성능 저하를 겪는다. 이러한 시스템적 취약성을 해결하기 위해, 우리는 강인한 노드 수준 표현 학습을 위해 설계된 포괄적 아키텍처인 AdvSynGNN을 제안한다. 제안하는 프레임워크는 기하학적 특성에 민감한 초기화를 구축하기 위해 대조 목적 함수와 함께 다중 해상도 구조적 합성을 조율한다. 우리는 학습된 토폴로지 신호를 통해 어텐션 메커니즘을 조절함으로써 이질성을 적응적으로 수용하는 트랜스포머 백본을 개발한다. 본 연구의 핵심 기여는 통합된 적대적 전파 엔진으로, 여기서 생성 컴포넌트는 잠재적인 연결성 변경을 식별하는 반면 판별자는 전역적 일관성을 강화한다. 더욱이, 노드별 신뢰도 지표에 의해 유도되는 잔차 교정 기법을 통해 레이블 정제가 이루어지며, 이는 반복적 안정성에 대한 정밀한 제어를 돕는다. 실증적 평가를 통해 이러한 시너지 접근법이 연산 효율성을 유지하면서 다양한 그래프 분포에 걸쳐 예측 정확도를 효과적으로 최적화함을 입증한다. 본 연구는 대규모 환경에서 AdvSynGNN 시스템의 안정적인 배포를 보장하기 위한 실용적인 구현 프로토콜을 제시하며 결론을 맺는다.

Graph neural networks frequently encounter significant performance degradation when confronted with structural noise or non-homophilous topologies. To address these systemic vulnerabilities, we present AdvSynGNN, a comprehensive architecture designed for resilient node-level representation learning. The proposed framework orchestrates multi-resolution structural synthesis alongside contrastive objectives to establish geometry-sensitive initializations. We develop a transformer backbone that adaptively accommodates heterophily by modulating attention mechanisms through learned topological signals. Central to our contribution is an integrated adversarial propagation engine, where a generative component identifies potential connectivity alterations while a discriminator enforces global coherence. Furthermore, label refinement is achieved through a residual correction scheme guided by per-node confidence metrics, which facilitates precise control over iterative stability. Empirical evaluations demonstrate that this synergistic approach effectively optimizes predictive accuracy across diverse graph distributions while maintaining computational efficiency. The study concludes with practical implementation protocols to ensure the robust deployment of the AdvSynGNN system in large-scale environments.