图神经网络鲁棒性与表达性之间的关系研究
机器学习
2025-04-21 v1
摘要
我们通过引入分析框架来研究图神经网络（GNN）对位翻转攻击（BFA）的脆弱性，旨在探讨架构特征、图属性及其相互作用对鲁棒性的影响。图神经网络的表达性指其区分非同构图的能力，这取决于节点邻域的编码方式。我们检验了常用于此目的的神经多集函数的脆弱性，并建立了形式化准则以刻画GNN因BFA而失去表达性的易受性。此结果使我们能够分析同质性、图结构多样性、特征编码以及激活函数对GNN鲁棒性的影响。我们推导了使GNN在数据集上表达性退化所需的位数翻转数量的理论上界，识别出在高度同质图上运行且采用低维或独热编码特征的ReLU激活GNN最为易受攻击。使用十个真实数据集的实验结果确认了我们关键理论见解的统计显著性，并为面向表达性关键应用的BFA风险提供了可操作的缓解方案。
引用
@article{arxiv.2504.13786,
title = {On the Relationship Between Robustness and Expressivity of Graph Neural Networks},
author = {Lorenz Kummer and Wilfried N. Gansterer and Nils M. Kriege},
journal= {arXiv preprint arXiv:2504.13786},
year = {2025}
}
备注
Accepted at AISTAST 2025, will add DOI when available