固定点图卷积网络对抗攻击鲁棒性研究
机器学习
2025-11-04 v1 人工智能
摘要
对抗攻击构成了图神经网络完整性和性能的重大风险，尤其是在图结构和节点特征易于被操纵的任务中。本文提出了一种新型模型——固定点迭代图卷积网络（Fix-GCN），通过有效捕获图中更高阶节点邻域信息，在无需额外内存或计算复杂度的前提下实现对抗扰动的鲁棒性。具体而言，我们引入了通用的谱调制滤波器，并通过固定点迭代推导该模型的特征传播规则。不同于依赖额外设计元素来抵消攻击的传统防御机制，所提图滤波器提供了灵活的通过滤波方法，使其能够选择性削弱图信号中高频分量，同时保留低频结构信息。通过迭代更新节点表示，我们的模型为在保留关键图信息的同时减轻对抗操纵影响提供了灵活且高效的框架。我们在各种基准图数据集上进行了广泛实验，展示了所提模型在抗对抗攻击方面的有效性。
引用
@article{arxiv.2511.00083,
title = {Fixed-point graph convolutional networks against adversarial attacks},
author = {Shakib Khan and A. Ben Hamza and Amr Youssef},
journal= {arXiv preprint arXiv:2511.00083},
year = {2025}
}