稳健的图神经网络通过无偏聚合

Nov, 2023

Robust Graph Neural Networks via Unbiased Aggregation

Ruiqi Feng, Zhichao Hou, Tyler Derr, Xiaorui Liu

TL;DR通过对代表性鲁棒性图神经网络的鲁棒性分析，我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器，并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题，在图神经网络中展开为鲁棒无偏的聚合层，并具有理论上的收敛保证。我们的综合实验证实了我们提出模型的强鲁棒性，剖析研究深入认识了其优势。

Abstract

The adversarial robustness of graph neural networks (GNNs) has been questioned due to the false sense of security uncovered by strong adaptive attacks despite the existence of numerous defenses. In this work, we

adversarial robustness graph neural networks robust estimation graph signal estimator aggregation layers

发现论文，激发创造

通过稳健聚合实现可靠的图神经网络

利用 Soft Medoid 作为聚合函数，能够有效提高 GNN 的鲁棒性，使其在 Cora ML 和 Citeseer 数据集上的抗干扰性能分别提高 3 倍和 5.5 倍，并使低度节点的性能提高 8 倍。

Oct, 2020

大规模图神经网络的健壮性

本文研究了如何攻击和防御大规模 GNN，设计了一种高效表示的稀疏感知优化攻击和鲁棒的聚合函数 ——Soft Median，并且展示了优于常见代理损失函数的全局攻击替代方案。

Oct, 2021

基于图去噪的鲁棒图神经网络

这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

Dec, 2023

有向图神经网络是否具有对抗性鲁棒性？

本研究首次探讨有向图在提供网络固有结构丰富信息方面的重要性，为了增强 GNN 的鲁棒性和弹性，我们提出一种全新的信息传递框架作为插件层，并结合现有的防御策略，取得了优异的干净精确度和最先进的鲁棒性能，具有超强的防御转移和自适应攻击的作用。

Jun, 2023

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

图神经网络作为图信号去噪的统一视角

本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

Oct, 2020

图神经网络的表达能力与对抗鲁棒性的视角

我们进行了第一个敌对鲁棒性研究，针对比传统的消息传递神经网络（MPNNs）更强大的图神经网络（GNNs）。具体而言，我们使用敌对鲁棒性作为一种工具，揭示了它们在理论上可能的表达能力与实际达到的表达能力之间的显著差距，并针对 GNNs 计算特定子图模式的能力，这是一种已建立的表达能力度量，将敌对鲁棒性的概念扩展到了该任务上。基于此，我们开发了有效的对抗攻击子图计数，并表明更强大的 GNNs 甚至无法适应对图结构的轻微扰动。此外，我们还展示了这种架构在超出分布的图上也无法计算子结构。

Aug, 2023

图神经网络中的对抗鲁棒性：一种哈密顿方法

通过对来自不同神经流的图神经网络的研究，着重探讨与 BIBO 稳定性、Lyapunov 稳定性、结构稳定性和保守稳定性等各种稳定性概念的联系。通过启发于物理原理，我们主张采用保守 Hamilton 神经流构建对抗攻击具有鲁棒性的图神经网络。在多个基准数据集上，我们对不同神经流的图神经网络的对抗鲁棒性进行了经验比较，结果表明采用具有 Lyapunov 稳定性的保守 Hamilton 神经流的图神经网络大大提高了对抗扰动的鲁棒性。

Oct, 2023

对图神经网络在节点特征攻击下的预期鲁棒性进行界定

在这项工作中，我们从理论上定义了属性图背景下的预期稳健性概念，并将其与图表示学习文献中的敌对鲁棒性概念相关联。我们的定义使我们能够得出图卷积网络和图同构网络在节点特征攻击下预期稳健性的上界，并基于这些发现将图卷积正交稳健网络（Graph Convolutional Orthonormal Robust Networks）作为对敌对攻击更稳健的变体提出，将 GNN 的预期稳健性与其权重矩阵的正交性联系起来。我们进一步引入了一种概率方法来估计预期稳健性，这使我们能够评估 GCORN 在几个真实世界数据集上的有效性。实验结果表明，GCORN 优于现有的防御方法。

Apr, 2024

可解释的人工智能安全：探索图神经网络对对抗攻击的鲁棒性

图神经网络 (GNNs) 的脆弱性研究，通过系统性地考虑图数据模式、模型特定因素和对抗样本的传递性，揭示了对抗攻击对 GNN 的影响，从而为提高 GNN 的对抗鲁棒性提供了相关的准则和原则。

Jun, 2024