GARNET：面向鲁棒可扩展图神经网络的降秩拓扑学习
机器学习
2023-01-10 v6
摘要
图神经网络(GNNs)已日益部署于涉及非欧几里得数据学习的各类应用中。然而，近期研究表明GNNs易受图对抗攻击。尽管已有若干防御方法通过消除对抗成分来提升GNN鲁棒性，但它们也可能损害有助于GNN训练的底层干净图结构。此外，由于高计算复杂度和内存占用，这些防御模型很少能扩展到大型图。本文中，我们提出GARNET，一种可扩展的谱方法以增强GNN模型的对抗鲁棒性。GARNET首先利用加权谱嵌入构建基础图，其不仅抵抗对抗攻击，还包含GNN训练所需的关键（干净）图结构。接着，GARNET基于概率图模型通过剪除额外非关键边进一步精炼基础图。GARNET已在多个数据集（包括含数百万节点的巨型图）上评估。我们广泛的实验结果表明，与最优GNN（防御）模型相比，GARNET的对抗准确率提升高达13.27%，运行时间加速达14.7倍。
引用
@article{arxiv.2201.12741,
title = {GARNET: Reduced-Rank Topology Learning for Robust and Scalable Graph Neural Networks},
author = {Chenhui Deng and Xiuyu Li and Zhuo Feng and Zhiru Zhang},
journal= {arXiv preprint arXiv:2201.12741},
year = {2023}
}
备注
Published as a conference paper at LoG 2022