图神经网络在处理图结构数据方面展现出卓越能力，但其性能高度依赖于标注数据，因此容易受到标签噪声的影响。现有方法通常通过数据增强来提升节点分类的鲁棒性，然而忽视了潜在噪声边对模型鲁棒性的影响，导致在高平均度数据集上性能显著下降。如下图所示，随着数据集的平均度增大，现有的鲁棒方法的性能下降。

针对上述问题，中国科学院数学与系统科学研究院闫桂英团队基于理论分析提出了一种新型图神经网络模型——图拓扑自适应网络（Graph Topology Adaptive，GTA），通过引入EdgeBoost模块基于节点潜在空间相似性添加可信边，并结合EdgePrune模块利用优化筛选机制剔除不可信边，从而实现图拓扑的自适应调整与最终预测。理论分析与大量实验结果共同验证了GTA模型（框架图如下所示）在提升鲁棒性和泛化性能方面的有效性与优越性，相关研究成果已发表于国际人工智能领域顶级期刊《Knowledge-based Systems》。

Publication:
Knowledge-Based Systems Volume 328, 25 October 2025, https://doi.org/10.1016/j.knosys.2025.114162

Authors:

Mengyao Zhou
Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190,  China

University of Chinese Academy of Sciences, Beijing 100190, China

Xiao Han
School of Artificial Intelligence, Beihang University, Beijing 100191, China

Wei Wei
School of Mathematical Science, Beihang University, Beijing 100191, China

Guiying Yan（Corresponding author）
Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190, China
Email: yangy@amss.ac.cn