基于奇异池化提升图分类鲁棒性
机器学习
2025-10-28 v1 人工智能
摘要
图神经网络（Graph Neural Networks, GNNs）在多种图表示学习任务中取得了强大的性能，但其在图分类任务中的对抗鲁棒性相较节点分类仍未得到充分探索。虽然大多数现有防御措施聚焦于消息传递组件，但本文关注池化操作在塑造鲁棒性中的作用。我们对标准平坦池化方法（求和、平均和最大值）进行理论分析，推导其对抗风险的上界，并在不同攻击情景和图结构下识别其脆弱性。针对这些见解，我们提出了"鲁棒奇异池化"（Robust Singular Pooling, RS-Pool），一种新型池化策略，利用节点嵌入矩阵的主导奇异向量构建鲁棒的图级表示。我们对RS-Pool的鲁棒性进行了理论分析，并解释其产生的界限，旨在深化对该池化算子的理解。虽然分析以图卷积网络（Graph Convolutional Networks, GCNs）为中心，但RS-Pool具有模型无关性，可通过幂迭代高效实现。在真实基准数据集上的实验结果表明，在面对最先进的对抗攻击时，RS-Pool比所考虑的池化方法在鲁棒性上表现更好，同时保持竞争的干净准确率。我们的代码已公开于\href{https://github.com/king/rs-pool}{https://github.com/king/rs-pool}。
引用
@article{arxiv.2510.22643,
title = {Enhancing Graph Classification Robustness with Singular Pooling},
author = {Sofiane Ennadir and Oleg Smirnov and Yassine Abbahaddou and Lele Cao and Johannes F. Lutzeyer},
journal= {arXiv preprint arXiv:2510.22643},
year = {2025}
}
备注
Accepted at Neurips 2025