异配性如何影响图神经网络的鲁棒性？理论联系与实用启示
机器学习
2022-07-26 v4 机器学习
摘要
我们通过形式化节点标签异配性（即相连节点往往具有不相似标签）与图神经网络（GNN）对抗攻击鲁棒性之间的关系，桥接了图神经网络的两个研究方向。我们的理论与实证分析表明：对于同配图数据，有影响力的结构攻击总是导致同配性降低；而对于异配图数据，同配性水平的变化取决于节点度。这些见解对防御真实世界图上的攻击具有实际意义：我们推断，为自身与邻居嵌入分别使用聚合器这一已被确认能显著改善异配图数据预测的设计原则，也能为GNN提供增强的鲁棒性。我们全面的实验表明，仅采用该设计的GNN相较于性能最佳的非防御模型取得了改进的实证与可证明鲁棒性。此外，将该设计与针对对抗攻击的显式防御机制结合，相较于性能最佳的防御模型在攻击下实现了最高18.33%的性能提升的改进鲁棒性。
引用
@article{arxiv.2106.07767,
title = {How does Heterophily Impact the Robustness of Graph Neural Networks? Theoretical Connections and Practical Implications},
author = {Jiong Zhu and Junchen Jin and Donald Loveland and Michael T. Schaub and Danai Koutra},
journal= {arXiv preprint arXiv:2106.07767},
year = {2022}
}
备注
KDD 2022 camera ready version + full appendix; 20 pages, 2 figures