图变换器的对抗鲁棒性
机器学习
2026-04-14 v2
摘要
已有研究表明，消息传递图神经网络（MPNN）对对抗性攻击高度敏感。相比之下，尽管图变换器（GT）的重要性日益提升，但其鲁棒性尚未得到探讨。我们填补了这一空白，设计了针对GT的首批自适应攻击。具体而言，我们提供了针对GT的结构扰动的强梯度攻击的通用设计原则，并针对五种代表性且流行的GT架构实现了攻击框架。具体来说，我们研究了带有特殊注意力机制和基于最短路径、随机游走和拉普拉斯谱的定位编码（PE）的GT。我们在多个任务和扰动模型上评估了这些攻击，包括针对节点和图分类的结构扰动，以及针对图分类的节点注入。我们的结果揭示，GT在许多情况下可能面临灾难性脆弱性。为此，我们展示了自适应攻击可有效用于对抗性训练，从而显著提高鲁棒性。
引用
@article{arxiv.2407.11764,
title = {Adversarial Robustness of Graph Transformers},
author = {Philipp Foth and Lukas Gosch and Simon Geisler and Leo Schwinn and Stephan Günnemann},
journal= {arXiv preprint arXiv:2407.11764},
year = {2026}
}
备注
TMLR 2025 (J2C-Certification: Presented @ ICLR 2026). A preliminary version appeared at the Differentiable Almost Everything Workshop at ICML 2024. Code available at https://github.com/isefos/gt_robustness