I-GCN：通过影响机制实现的鲁棒图卷积网络
机器学习
2020-12-14 v1 社会与信息网络
机器学习
摘要
用于图的深度学习模型，尤其是图卷积网络（GCNs），在半监督节点分类任务中取得了卓越性能。然而，近期研究表明 GCNs 易受对抗扰动影响。这种对对抗攻击的脆弱性显著降低了 GCNs 在安全性关键应用中的稳定性。诸如预处理、注意力机制与对抗训练等防御方法已被多项研究讨论。尽管在扰动率较低时能够取得令人满意的性能，此类方法在高扰动率下仍显脆弱。同时，某些防御算法在节点特征不可见时表现不佳。因此，本文提出一种称为影响机制的新颖机制，能够显著增强 GCNs 的鲁棒性。影响机制将每个节点的作用分为两部分：试图维持自身特征的内向影响，以及对其他节点施加影响的外向影响。利用该影响机制，我们提出了影响图卷积网络（I-GCN）模型。大量实验表明，在防御非定向攻击时，我们提出的模型能够达到比最先进方法更高的准确率。
引用
@article{arxiv.2012.06110,
title = {I-GCN: Robust Graph Convolutional Network via Influence Mechanism},
author = {Haoxi Zhan and Xiaobing Pei},
journal= {arXiv preprint arXiv:2012.06110},
year = {2020}
}