$\beta$-GNN：针对图结构扰动的鲁棒性集成方法
机器学习
2025-03-27 v1 人工智能
摘要
图神经网络 (GNN) 在高效运行和网络安全方面发挥着越来越重要的作用，广泛应用于工作负载调度、异常检测和资源管理等领域。然而，它们对网络扰动的脆弱性是一个重大挑战。我们提出了-GNN，一种在不牺牲干净数据性能方面的 GNN 鲁棒性增强方法。-GNN 使用加权集成，将任何 GNN 与多层感知机相结合。学习得到的动态权重调节 GNN 的贡献。这一不仅权衡 GNN 的影响，还指示数据扰动水平，从而实现主动缓解。实验结果表明，-GNN 在多样化数据集上表现出优异的对抗性准确率和攻击严重程度量化能力。关键的是，-GNN 避免了对扰动假设，保留了干净数据结构和性能。
引用
@article{arxiv.2503.20630,
title = {$\beta$-GNN: A Robust Ensemble Approach Against Graph Structure Perturbation},
author = {Haci Ismail Aslan and Philipp Wiesner and Ping Xiong and Odej Kao},
journal= {arXiv preprint arXiv:2503.20630},
year = {2025}
}
备注
This is the author's version of the paper accepted at EuroMLSys 2025