基于贝叶斯自监督防御动态图扰动下的图卷积网络
机器学习
2022-03-09 v1
摘要
近年来，大量证据表明图卷积网络（GCNs）在节点分类任务上取得了卓越成就。然而，GCNs在标签稀缺的动态图上可能易受对抗攻击。许多现有工作旨在增强GCNs的鲁棒性；例如，采用对抗训练来保护GCNs免受恶意扰动。然而，这些工作在标签稀缺问题紧迫的动态图上失效。为克服标签稀缺，自训练尝试迭代地为高置信度无标签节点分配伪标签，但此类尝试在动态图扰动下可能遭受严重退化。本文将对噪声监督推广为一种自监督学习方法，进而提出一种新颖的贝叶斯自监督模型，即GraphSS，以解决该问题。大量实验表明，GraphSS不仅能明确警示动态图上的扰动，还能在图遭受此类扰动时有效恢复节点分类器的预测。这两大优势被证明可泛化至五个公开图数据集上的三种经典GCN。
引用
@article{arxiv.2203.03762,
title = {Defending Graph Convolutional Networks against Dynamic Graph Perturbations via Bayesian Self-supervision},
author = {Jun Zhuang and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:2203.03762},
year = {2022}
}
备注
The paper is accepted by AAAI 2022