Jun, 2023

图代理网络：为节点赋予去中心化的通信能力，提高对抗韧性

PDF
TL;DR本文提出了 Graph Agent Network，一个图结构的代理网络，用于解决节点分类的抵抗者攻击。GAgN 通过节点之间的去中心化交互，可以学习推断节点的全局感知来执行任务，从而防止恶意消息在整个系统中传播，在扰动的数据集上实现了最佳的分类准确性。
graph neural networkadversarial attacksgraph agent networkdecentralized interactionsmultilayer perceptrons
发现论文，激发创造
  • GNNGuard: 防御图神经网络的对抗攻击

    GNNGuard 是一个通用的算法，可以防御基于离散图形结构的多种训练时攻击，利用图形结构和节点特征之间的关系减轻攻击的负面影响，通过将更高的权重分配给连接相似节点的边，修剪不相关节点之间的边，这种方法在不同数据集和攻击条件下表现出 15.3％的优越性。

    Jun, 2020

  • ImGAGN: 基于生成对抗图网络的不平衡网络嵌入

    本文提出了一种名为 ImGAGN 的生成对抗图网络模型，通过引入一种名为 GraphGenerator 的新型生成器解决不平衡网络上的节点分类问题，该生成器可以模拟少数类节点的属性分布和网络拓扑结构分布，进而使不同类别节点的数量得以平衡，通过在实际平衡的网络上训练 GCN 鉴别器，该方法在四个真实世界的不平衡网络数据集上表现出了超越最先进算法的半监督节点分类任务的效果。

    Jun, 2021

  • NDGGNET：基于结点无关门的图神经网络

    该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

    May, 2022

  • 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

  • 一个模型无关的图神经网络用于整合局部和全局信息

    我们提出了一个新的模型无关的图神经网络（MaGNet）框架，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上，我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界，并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究，证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外，我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究，从而突显了它在推动科学研究方面的有效性。

    Sep, 2023

  • 基于代理的图神经网络

    介绍了一种新的图神经网络 - AgentNet，它采用了次线性算法，并使用智能的神经代理遍历图，能够识别 2-WL 无法区分的结构并在图分类任务中表现良好。

    Jun, 2022

  • 通过重连对图卷积网络进行攻击

    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

  • 图神经网络的拓扑攻击与防御：优化视角

    本文提出了基于梯度的攻击方法，以解决离散图数据的难点，并基于此提出了第一个面向图神经网络的基于优化的对抗训练，可以提高不同梯度和贪心攻击方法的鲁棒性，同时不牺牲原始图的分类准确性。

    Jun, 2019

  • 图神经网络黑盒节点注入攻击

    本文通过建立节点注入攻击的马尔科夫决策过程模型，提出了一种基于强化学习框架 （GA2C）的节点注入方法，将注入节点结构化地插入原图中。研究结果表明，与现有最先进的方法相比，本文提出的 GA2C 方法具有更高的注入成功率和分类误差率。

    Feb, 2022

  • 以围棋棋盘为图：强化学习下无梯度节点注入攻击的图神经网络

    本研究针对图神经网络的黑盒节点插入攻击问题，提出了基于强化学习框架的渐进式无梯度节点插入攻击方法，并通过对八个基准数据集的广泛实验表明其在攻击效率和攻击成功率方面均优于现有攻击方法。

    Nov, 2022