通过图幂加强图卷积网络

AAAIMay, 2019

Power up! Robust Graph Convolutional Network via Graph Powering

Ming Jin, Heng Chang, Wenwu Zhu, Somayeh Sojoudi

TL;DR通过挑战经典的图形拉普拉斯算子，设计出一种可以证明在频谱域内具有鲁棒性的新卷积算子，它被纳入 GCN 体系结构中以改善其表达能力和可解释性，同时通过将原始图形扩展到一系列图形，提出了一种鲁棒的训练范式，以鼓励跨越具有一系列空间和频谱特征的图形的可转移性，这些方法在广泛的实验中得到证明，可以同时提高在良性和对抗性情况下的性能。

Abstract

graph convolutional networks (GCNs) are powerful tools for graph-structured data. However, they have been recently shown to be vulnerable to topological attacks. To enhance adversarial robustness, we go beyond sp

graph convolutional networks adversarial robustness robust graph theory spectral domain gcn architecture

发现论文，激发创造

鲁棒中通滤波图卷积网络

该研究探讨了基于中频信号滤波器的图卷积网络 Mid-GCN，通过在六种基准图数据上的实验，验证了其在对抗攻击下节点分类准确性方面的有效性。

Feb, 2023

GraphDefense: 构建强健的图卷积网络

本文研究了图卷积网络在对抗扰动下的鲁棒性，通过提出 GraphDefense 方法，成功提高了图卷积网络的鲁棒性，同时能够维持半监督学习的设定，具有较大的应用潜力。

Nov, 2019

基于频谱的有向图卷积网络

本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

Jul, 2019

半监督学习中图卷积网络的深入洞察

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

图修订卷积网络

提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019

有向图卷积网络

本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

基于多面体抽象解释的节点扰动图卷积网络鲁棒性认证

改进了基于图的多层感知器的鲁棒性认证技术，通过多面体抽象解释方法在节点特征扰动的情况下提供 GCN 鲁棒性的上下界，并在训练过程中进一步提高 GCN 的鲁棒性。

May, 2024

稳健图神经网络的图结构学习

本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

May, 2020

通过扰动谱距对图结构进行攻击

本文研究了一种有效的图结构攻击方法，通过最大化谱距离来扰乱傅里叶域中的图谱滤波器，进而干扰图卷积网络（GCNs）的学习。实验证明了该攻击在黑盒和白盒设置中对于测试时间洪水和训练时间毒化攻击具有显著的效果。

Nov, 2021

可变形图卷积网络

本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

Dec, 2021