图防扩散模型
机器学习
2026-04-13 v2
摘要
图神经网络（GNN）高度易受对抗性攻击，可能严重降低其性能。现有的图 purification 方法试图通过滤波受攻击的图来应对这一问题，但由于灵活性有限，难以同时有效防御多种类型的对抗攻击（如有针对性攻击与非针对性攻击）。此外，这些方法缺乏对图数据的全面建模，严重依赖启发式先验知识。为克服这些挑战，我们引入图防扩散模型（GDDM），一种灵活的 purification 方法，利用扩散模型的去噪与建模能力。扩散模型的迭代特性与对抗攻击的逐步过程天然契合，因而特别适用于防御。通过迭代地对边进行添加与删除噪声，GDDM 有效地净化受攻击的图，恢复其原始结构与特征。GDDM 包含两个关键组件：（1）图结构驱动的细化器（Graph Structure-Driven Refiner），在去噪过程中保持图的基本忠实度，确保生成的图保持与原始范围的一致性；（2）节点特征约束的正则化器（Node Feature-Constrained Regularizer），从净化后的图中去除残余杂质，进一步提升净化效果。通过设计针对不同类型对抗攻击的定制化去噪策略，我们提高了 GDDM 在各种攻击情景下的适应性。此外，GDDM 具备强大的可扩展性，凭借其结构属性，可无需重新训练地顺利迁移至相似数据集。在三个真实数据集上的大量实验表明，GDDM 在抵御各种对抗攻击方面超越了当前最先进的方法，展现出卓越的鲁棒性与有效性。
引用
@article{arxiv.2501.11568,
title = {Graph Defense Diffusion Model},
author = {Xin He and Wenqi Fan and Yili Wang and Chengyi Liu and Rui Miao and Xin Juan and Xin Wang},
journal= {arXiv preprint arXiv:2501.11568},
year = {2026}
}
备注
Accepted by The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)