Mar, 2024

ADEdgeDrop: 针对稳健性图神经网络的对抗性边缘删除

PDF
TL;DR本文介绍了一种新颖的对抗性边缘删除方法（ADEdgeDrop），利用对抗性边缘预测器引导边的删除，以提高图神经网络（GNNs）的鲁棒性。
graph neural networksgraph augmentation learningedge-dropping methodadversarial edge predictorgnn backbones
发现论文，激发创造
  • 使用拓扑自适应边缘删除训练鲁棒性图神经网络

    该论文提出一种名为 TADropEdge 的自适应数据增强技术，通过考虑图连接性这一重要属性，将随机边删除与图结构信息结合，以生成更为可靠的增强数据，实现了提高图神经网络泛化性能的目的。

    Jun, 2021

  • DropEdge：面向节点分类的深度图卷积网络

    该论文提出了 DropEdge 技术来解决深层图卷积网络在节点分类中的过拟合和过度平滑问题。DropEdge 技术通过随机在每个训练迭代中移除一定数量的边缘节点来进行数据扩充和信息传递减少，旨在提高广义化效果和模型收敛速度。该技术还可以与其他多个骨干模型一起使用，使得在各种浅层和深层图卷积网络中都能一致提高模型的性能表现。

    Jul, 2019

  • EDoG: 图神经网络的对抗性边缘检测

    本文提出了一种无攻击策略知识的通用敌对边缘检测方法 EDoG，在图形生成的基础上通过联系预测来检测可疑的敌对边缘，并提出一组新的特征来进行异常检测。实验表明，EDoG 可以在不需要任何有关攻击类型的知识下实现 0.8 以上的 AUC，显着优于传统的恶意边缘检测基线。

    Dec, 2022

  • 面向深度图卷积网络的结构感知 DropEdge

    通过实验研究，本文介绍并提出了一种名为 DropEdge++ 的新颖技术，在多层图卷积网络中有效缓解过度平滑的问题，进而提升节点分类的性能。

    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

  • AdvDrop：通过删除信息对 DNN 进行对抗攻击

    该研究基于对 Deep Neural Networks（DNNs）的视觉知觉能力的探究，提出了一种新的对抗攻击方法 AdvDrop，这种新型对抗样本更难以被当前的防御系统防御。

    Aug, 2021

  • 基于鲁棒性的图神经网络反后门攻击防御

    图神经网络对抵御不同属性的后门攻击进行了实证验证，并提出了一种随机边缘去除的检测方法，并通过引入新的强化训练策略来有效地抵御触发器的影响。在真实数据集上进行的广泛实验证明，该框架能够有效地识别受到污染的节点，在抵御具有不同属性的不同类型图后门攻击时显著降低攻击成功率，并保持清洁准确性。

    Jun, 2024

  • DropMessage：图神经网络的随机丢弃统一化

    本文提出了一种新的随机删除方法 DropMessage，通过随意遮盖传递消息过程中所传递的关键信息，从而提供了一个通用框架。实验结果表明，DropMessage 方法在多任务和各种模型上表现出了效果和泛化能力，并显著减轻了过度拟合、过度平滑和非鲁棒性等问题。

    Apr, 2022

  • 通过拓扑去噪实现鲁棒图神经网络的学习降维

    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

  • FlexiDrop：GNN 中随机 Dropout 方法的理论洞见和实际进展

    基于图神经网络（GNN）的随机抛弃法的泛化误差优化方法 FlexiDrop 在实验中表现出比传统随机抛弃方法更好的性能。

    May, 2024