验证了在图神经网络中引入拓扑扰动的稳定性,针对不同结构的 EdgeNet 框架证明其稳定性,以及参数空间的自由度与代表能力之间的关系和边缘网络参数矩阵与图移动算子的特征向量错配程度对稳定性的影响。
Dec, 2023
本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题,通过导出了一个新的界限,明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异,该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。在此基础上,我们定量地描述了特定边的扰动对网络稳定性的影响,并利用小扰动分析工具来以闭合但近似的形式表达界限,以提高结果的解释性,而无需计算任何扰动移位运算符。最后,我们对所提出的界限的有效性进行了数值评估。
研究了拓扑结构变化对图神经网络输出的影响,证明了使用积分 Lipschitz 过滤器的图卷积与相应非线性混合效应的组合可以实现稳定性和高频信息的判别力,解释了 GNNs 卓越性能的原因。
May, 2019
本文提出了一种针对图神经网络的对抗攻击方法,通过图重连的操作,使用强化学习生成对于目标模型影响较小的扰动,并在真实图数据集上进行实验及分析,证明该方法的有效性。
Jun, 2019
本文研究了图卷积神经网络在半监督学习环境下的算法稳定性及其一阶推论;通过分析单层 GCNN 模型的稳定性,导出其一般化保证,提出稳定性关于其卷积核最大绝对特征值的依赖规律,并说明产生保证所需的卷积核最大特征值与图大小无关,为设计保证的算法稳定性的新型及更好的卷积核提供新思路。最后在多个真实世界的图数据集上评估了实验结果,实验结果支持理论结果。
本研究通过对随机图模型的分析,研究了图卷积网络(GCN)的性质,包括 GCN 达到其连续对应的收敛性以及 GCN 对随机图小变形的稳定性,这有助于解释卷积表示在欧几里得域中成功的原因。
Jun, 2020
本研究针对图形结构数据,基于随机平滑技术,开发出可证明鲁棒性的图神经网络,证明其对于节点和图分类具有结构扰动的认证鲁棒性保证,并在多个 GNN 和多个基准数据集上进行了实证评估。
Aug, 2020
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
本文提出了一种针对图神经网络和标签 / 特征传播模型的验证可证(非)鲁棒性的方法,并通过 PageRank 和马尔可夫决策过程的相关性来计算证书。我们同时研究了一种鲁棒性训练程序,以增加可证明鲁棒性节点的数量,同时保持或提高了干净的预测准确性。
Oct, 2019
本文研究了谱图滤波器的稳定性质,并提供了可解释的滤波器输出变化的上界。通过分析图的结构属性,可以预测谱图滤波器在何时是稳定的,这对于设计强鲁棒性的机器学习模型非常重要。
Feb, 2021