KCES：通过核复杂度实现无需训练的图神经网络鲁棒防御
机器学习
2025-06-23 v2
摘要
图神经网络（GNN）在广泛的基于图的任务中取得了令人瞩目的成功，但它们仍然极易受到微小、不可感知的扰动和对抗攻击。尽管已提出许多防御方法来解决这些漏洞，但许多方法依赖启发式指标、对特定攻击模式过拟合，并且计算复杂度较高。在本文中，我们提出了基于核复杂度的边净化（KCES），一种无需训练的、模型无关的防御框架。KCES 利用图核复杂度（GKC），这是一种从图的 Gram 矩阵导出的新指标，通过其测试误差界来刻画 GNN 的泛化能力。基于 GKC，我们为每条边定义了一个 KC 分数，衡量移除该边时 GKC 的变化。由对抗扰动引入的高 KC 分数边被剪枝以减轻其有害影响，从而增强 GNN 的鲁棒性。KCES 还可以作为即插即用模块无缝集成到现有的防御策略中，无需训练。理论分析和大量实验表明，KCES 一致地增强了 GNN 的鲁棒性，超越了最先进的基线，并放大了现有防御的有效性，为保护 GNN 提供了原则性的高效解决方案。
引用
@article{arxiv.2506.11611,
title = {KCES: Training-Free Defense for Robust Graph Neural Networks via Kernel Complexity},
author = {Yaning Jia and Shenyang Deng and Chiyu Ma and Yaoqing Yang and Soroush Vosoughi},
journal= {arXiv preprint arXiv:2506.11611},
year = {2025}
}