为认证鲁棒性而进行谱-空間图神经网络的自适应分支专化
机器学习
2025-08-04 v3
摘要
最近的图神经网络（GNN）组合谱-空間架构以实现更好的表示学习。然而，针对认证鲁棒性的关注有限，尤其是关于训练策略和底层原理。本文明确专化每个分支：谱网络经过训练以抵御 l0 边翻转并捕获亲疏关系结构，而空間部分设计以抵御 linf 特征扰动和异构模式。一个基于上下文的门控网络自适应融合两种表示，动态将每个节点的预测路由到更可靠的分支。这种专化的对抗训练方案使用分支特定的内最大化（结构攻击 vs 特征攻击）和统一的对齐目标。我们提供理论保证：（i）门控机制的表达性超越 1-WL，（ii）谱-空間频率偏置，（iii）带权衡的认证鲁棒性。实验上，SpecSphere 在节点分类准确率上达到状态最佳性能，并在真实基准上提供更紧的认证鲁棒性。
引用
@article{arxiv.2505.08320,
title = {Adaptive Branch Specialization in Spectral-Spatial Graph Neural Networks for Certified Robustness},
author = {Yoonhyuk Choi and Jiho Choi and Chong-Kwon Kim},
journal= {arXiv preprint arXiv:2505.08320},
year = {2025}
}