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
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
本篇论文研究如何开发一种具有噪声图和有限标记节点的噪声阻抗图神经网络,通过采用噪声边作为监督来学习去噪和密集图的新框架,并利用生成的边来规范化未标记节点的预测,以更好地训练图神经网络。实验结果表明,所提出的框架在具有有限标记节点的噪声图上具有鲁棒性。
Jan, 2022
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
本文提出了一种基于参数化拓扑去噪网络的 GNN 模型(PTDNet),可以通过学习去除任务无关的边来提高 GNN 模型的稳健性和泛化性能,并在各种任务中(如节点分类和链接预测)均有显著的性能提升,特别是在噪声数据集上性能提升更为明显。
Nov, 2020
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。
图神经网络(GNN)是处理图结构数据的主要方法,但存在对小的对抗性扰动脆弱性的问题。本文介绍了一种新的防御方法 NoisyGNNs,它通过在模型架构中引入噪声来提高 GNN 的鲁棒性。通过理论分析和实证评估,揭示了噪声注入和 GNN 鲁棒性增强之间的关联,并展示了 NoisyGNN 在节点分类任务上的卓越性能。这种方法是模型无关的,可与不同的 GNN 架构集成,与现有的防御技术结合使用可以进一步提高对抗性防御效果。
Feb, 2024
基于广义聚合网络和拓扑自适应图卷积网络的混合方法,适用于顺序数据和静态数据的类型,在节点和图分类中都有良好的表现。
Mar, 2024
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。
Nov, 2023