节点嵌入鲁棒性的系统性评估
机器学习
2022-12-01 v3 社会与信息网络
摘要
节点嵌入方法将网络节点映射到低维向量，这些向量可随后用于各种下游预测任务。近年来这些方法的流行度显著增长，然而它们对输入数据扰动的鲁棒性仍知之甚少。在本文中，我们评估了节点嵌入模型对随机和对抗性投毒攻击的经验鲁棒性。我们的系统性评估涵盖了基于 Skip-Gram、矩阵分解和深度神经网络的代表性嵌入方法。我们比较了利用网络属性以及节点标签计算的边添加、删除和重连攻击。我们还研究了假设完全知晓节点标签的流行节点分类攻击基线方法的性能。我们通过嵌入可视化报告定性结果，并通过下游节点分类和网络重构性能报告定量结果。我们发现节点分类结果比网络重构结果受更大影响，基于度和基于标签的攻击平均最具破坏性，且标签异配性可强烈影响攻击性能。
引用
@article{arxiv.2209.08064,
title = {A Systematic Evaluation of Node Embedding Robustness},
author = {Alexandru Mara and Jefrey Lijffijt and Stephan Günnemann and Tijl De Bie},
journal= {arXiv preprint arXiv:2209.08064},
year = {2022}
}