本文基于 PAC-Bayesian 方法推导出了两种主要的图神经网络（GCNs 和 MPGNNs）的泛化界，进一步显示节点最大度数和权重的谱范数支配了这两种模型的泛化界。

Dec, 2020

深度神经网络容易受到对抗性攻击的影响，本研究聚焦于鏈基于 PAC-Bayes 方法的基于范数复杂性，并提供了一种光谱正则化的鲁棒泛化边界，相比现有边界，该边界不依赖于额外假设且更加紧致，进一步将结果拓展到抵抗一般非 l_p 攻击和其他神经网络架构。

Oct, 2023

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

本文研究了过参数化的深层网络使用随机梯度下降法（SGD）能够良好推广的能力，提出了一种 PAC-Bayesian 框架，利用这种能力为原始网络提供界限，同时不会受到权重矩阵谱范数乘积的影响。

May, 2019

本论文在 PAC-Bayesian 理论的基础上扩展了生成模型，并为基于 Wasserstein 距离和总变差距离的模型开发了广义的泛化界限，特别地，本论文提供了新的训练目标，以适用 Wasserstein GANs 和 Energy-Based GANs。

Feb, 2023

利用 PAC-Bayes 分析，我们提出了一种将前馈神经网络的谱范数和权重的 Frobenius 范数乘积作为度量的泛化界限。

Jul, 2017

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

通过挑战经典的图形拉普拉斯算子，设计出一种可以证明在频谱域内具有鲁棒性的新卷积算子，它被纳入 GCN 体系结构中以改善其表达能力和可解释性，同时通过将原始图形扩展到一系列图形，提出了一种鲁棒的训练范式，以鼓励跨越具有一系列空间和频谱特征的图形的可转移性，这些方法在广泛的实验中得到证明，可以同时提高在良性和对抗性情况下的性能。

May, 2019

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

本文将 PAC-Bayesian 框架应用在卷积神经网络中，以分析深度神经网络的泛化误差问题，该方法之前已在全连接神经网络中进行验证。

Dec, 2017