arXiv cs.AI· Zhichao Hou, Xitong Zhang, Wei Wang, Charu C. Aggarwal, Xiaorui Liu·· 11 小时前AI 评分20
利用有向图中的信任信号：重新定义图学习的鲁棒性
Harnessing Trust in Directed Graphs: Redefining Robustness of Graph Learning
AI 导读
研究重新定义了有向图上 GNN 的鲁棒性，指出既有鲁棒图神经网络研究主要针对无向图，忽略了链接方向中蕴含的信任信号。作者从攻击侧提出更贴近真实的有向图攻击设定，从防御侧提出一个可插拔的消息传递框架，避免虚假的鲁棒感。该框架与现有防御策略结合后，在迁移攻击和自适应攻击下取得 SOTA 鲁棒性能，同时保持较强的干净准确率。
正文 · AI 翻译
摘要：现有关于鲁棒图神经网络（GNN）的研究主要集中于无向图，忽视了有向图中链接方向所固有的可信性。在本工作中，我们从攻击和防御两个角度分析了当前方法的局限性，并重新定义了有向图中 GNN 的鲁棒性。在攻击方面，我们引入了一种更贴近现实的有向图攻击设置，以弥补现有攻击的不足。在防御方面，我们提出了一个简单而有效的消息传递框架，可作为插件层来增强 GNN 的鲁棒性，同时避免产生虚假的鲁棒感。我们的研究结果表明，有向图中编码的可信信号可用于显著提升 GNN 的鲁棒性。当与现有防御策略结合时，该框架在抵御迁移攻击和自适应攻击时均实现了最先进的鲁棒性能，同时保持较强的干净准确率。这些结果为增强图深度学习的鲁棒性指明了一个新颖且有前景的方向。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2306.02002 [cs.LG] |
| （或 arXiv:2306.02002v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2306.02002 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhichao Hou [查看邮箱]
[v1]
2023年6月3日星期六 04:56:04 UTC（507 KB）
[v2]
2026年10月16日星期五 05:26:28 UTC（1,603 KB）
来源：arXiv cs.AI · arxiv.org