图形对比学习方法的对抗鲁棒性

Nov, 2023

On the Adversarial Robustness of Graph Contrastive Learning Methods

Filippo Guerranti, Zinuo Yi, Anna Starovoit, Rafiq Kamel, Simon Geisler...

TL;DR通过对图结构的适应性敌对攻击评估节点和图分类任务，本研究介绍了一个全面的 GCL 模型鲁棒性评估协议，旨在探索 GCL 方法的鲁棒性，并为潜在的未来研究方向开辟新途径。

Abstract

contrastive learning (CL) has emerged as a powerful framework for learning representations of images and text in a self-supervised manner while enhancing model robustness against adversarial attacks. More recentl

contrastive learning graph contrastive learning adversarial attacks robustness evaluation evasion scenario

发现论文，激发创造

可证实的鲁棒图对比学习

在本文中，我们开发了第一个能够确定性地提高图对比学习（Graph Contrastive Learning，GCL）鲁棒性的框架。我们提出了一个统一的评估和认证 GCL 鲁棒性的标准，并引入了一种新的技术 RES（Randomized Edgedrop Smoothing）来确保任何 GCL 模型的鲁棒性，并能够在下游任务中被可靠地保持。此外，我们还提出了一种有效的培训方法来提高 GCL 的鲁棒性。在真实世界的数据集上进行的大量实验证明了我们提出的方法在提供有效的可证鲁棒性和提高任何 GCL 模型的鲁棒性方面的有效性。RES 的源代码可在此 https URL 获得。

Oct, 2023

相似性保持的对抗图对比学习

本文提出了一种相似性保持的对抗性图对比学习框架 (SP-AGCL)，以对抗攻击进行鲁棒性研究，对比干净的图与两个性质不同的辅助视图 (即节点相似性保持视图和对抗视图)，并通过实验证实了 SP-AGCL 在多个下游任务中的竞争性能和在多种场景下的有效性。

Jun, 2023

通过敌对性图增强改进图对比学习

本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL，解决了传统图对比学习方法捕获冗余图特征的问题，实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。

Jun, 2021

图形对比学习的实证研究

本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式，并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验，研究不同的 GCL 组件之间的相互作用，得出了一套有效 GCL 的一般特性与实现技巧。

Sep, 2021

走向图对比学习：调查和进展

在图数据上的深度学习、自监督学习、图对比学习和以数据为基础的图学习的实际应用是这篇综述的主要内容。

May, 2024

对抗式课程图对比学习与配对数据增强

提出了一种创新的框架：对抗课程图对比学习（ACGCL），利用成对增强技术生成可控相似性的图级正负样本，并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法，通过逐渐增加样本难度来促进渐进学习。最后，通过对六个知名基准数据集进行全面评估，ACGCL 显著超过一组最先进的基准。

Feb, 2024

走向鲁棒图形对比学习

本文提出了一个新的方法，通过增加对抗性转换和边缘插入的方式来增加学到的表征的对抗鲁棒性，旨在将鲁棒性作为图对比学习中的可行辅助任务。初始实验结果表明该方法具有很好的前景。

Feb, 2021

GraphCL: 对图形表示的对比自监督学习

本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

Jul, 2020

图形对比学习与数据增强

本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

Oct, 2020

TopoGCL: 拓扑图对比学习

图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示，然而现有的方法忽视了高阶图子结构的重要潜在信息，本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制，提出了一种新的对比学习模式并引入了扩展持久性景观，实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。

Jun, 2024