通过 p-Laplacian 增强图神经网络的鲁棒性
机器学习
2024-10-01 v1 机器学习
摘要
随着日常生活中数据量的增加，企业和各利益相关方需要分析数据以做出更好的预测。传统上，关系型数据一直是各种洞察的来源，但随着计算能力的提高和理解实体间深层关系的需求增加，设计新技术的需求应运而生。为此，图数据分析已成为理解数据的卓越工具，它揭示了对复杂关系更现实、更灵活的建模。最近，图神经网络（GNN）在社交网络分析、推荐系统、药物发现等各种应用中展现出了巨大潜力。然而，数据上可能发生多种对抗攻击，无论是在训练期间（投毒攻击）还是在测试期间（逃避攻击），都可能不利地操纵 GNN 模型的预期结果。因此，使 GNN 对此类攻击具有鲁棒性至关重要。现有的鲁棒性方法计算开销大，且在攻击强度增加时表现不佳。本文提出了一种基于加权 p-Laplacian 的计算高效框架 pLapGNN，以增强 GNN 的鲁棒性。在真实数据集上的实证评估证明了所提方法的有效性和效率。
引用
@article{arxiv.2409.19096,
title = {Enhancing Robustness of Graph Neural Networks through p-Laplacian},
author = {Anuj Kumar Sirohi and Subhanu Halder and Kabir Kumar and Sandeep Kumar},
journal= {arXiv preprint arXiv:2409.19096},
year = {2024}
}
备注
5 pages, 2 figures