对抗性图神经网络基准测试： Towards Practical and Fair Evaluation
机器学习
2026-05-08 v1
摘要
对抗学习和图神经网络 (GNN) 的鲁棒性是机器学习社区广泛关注的议题，已有大量针对此目的设计的对抗攻击和防御方法。虽然对这些对抗方法进行严格的评估对于理解 GNNs 在现实应用中的鲁棒性至关重要，但我们认为文献中许多作品的实验设置不同，导致模糊甚至可能相互矛盾的科学结论。本基准测试演示了在对抗 GNN 研究中采用公平、稳健且标准化评估程序的重要性。我们对七种广泛使用的攻击和八种最新防御方法进行全面重新评估，涵盖中毒和误导两种场景，基于六个流行图数据集。本研究涉及超过 45 万次实验，置于统一框架内。我们观察到在公平且稳健的程序下，对抗攻击性能存在显著差异。我们的发现表明，诸如目标节点选择和被攻击模型的训练过程等先前被忽略的因素，对攻击效果影响深远，以至于完全扭曲了性能洞察。这些结果凸显了在对抗图机器学习中采用标准化评估的紧迫需求。
引用
@article{arxiv.2605.05534,
title = {Adversarial Graph Neural Network Benchmarks: Towards Practical and Fair Evaluation},
author = {Tran Gia Bao Ngo and Zulfikar Alom and Federico Errica and Murat Kantarcioglu and Cuneyt Gurcan Akcora},
journal= {arXiv preprint arXiv:2605.05534},
year = {2026}
}
备注
49 pages, 6 figures