通过 p-拉普拉斯增强图神经网络的鲁棒性
机器学习
2025-11-11 v1
摘要
随着日常生活中数据的增加，企业和不同利益相关方需要对数据进行分析以获得更好的预测。传统上，关联数据是各种洞见的来源，但随着计算能力的提升和对实体之间更深层次关系的需求，已涌现出设计新技术的需求。对于这类图数据分析已成为一种非凡的工具，能够揭示更真实和灵活的复杂关系建模。最近，图神经网络（GNNs）在社交网络分析、推荐系统、药物发现等多个应用领域显示出巨大的潜力。然而，无论是在训练期间（投毒攻击）还是测试期间（规避攻击），都可能发生各种对抗性攻击，这些攻击会对GNN模型的预期结果产生不利影响。因此，有必要使GNN对此类攻击具有鲁棒性。现有的鲁棒性方法计算昂贵，在攻击强度增加时性能较差。本文提出一种计算效率高的框架，即基于加权p-拉普拉斯的pLAPGNN，以提高GNN的鲁棒性。在真实数据集上的经验评估确立了所提方法的有效性和效率。
引用
@article{arxiv.2511.06143,
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:2511.06143},
year = {2025}
}
备注
Accepted at 5th Workshop on Graphs and more Complex Structures For Learning and Reasoning (GCLR), The 40th AAAI Conference on Artificial Intelligence (AAAI-26)