图神经扩散对拓扑扰动的鲁棒性研究
机器学习
2023-05-12 v2
摘要
图上的神经扩散是一类新颖的图神经网络，近年来受到越来越多的关注。图神经偏微分方程（PDE）在解决图神经网络（GNN）常见障碍（如过平滑与瓶颈问题）方面的能力已被研究，但其对对抗攻击的鲁棒性尚未被探讨。在本工作中，我们探究图神经 PDE 的鲁棒性性质。我们通过实验证明，与其他 GNN 相比，图神经 PDE 本质上对拓扑扰动更具鲁棒性。我们利用图拓扑扰动下热半群的稳定性，对这一现象提供了见解。我们讨论了多种图扩散算子，并将其与现有图神经 PDE 联系起来。此外，我们提出了一个通用的图神经 PDE 框架，基于该框架可定义一类新的鲁棒 GNN。我们验证了新模型在多个基准数据集上取得了可比的 SOTA 性能。
引用
@article{arxiv.2209.07754,
title = {On the Robustness of Graph Neural Diffusion to Topology Perturbations},
author = {Yang Song and Qiyu Kang and Sijie Wang and Zhao Kai and Wee Peng Tay},
journal= {arXiv preprint arXiv:2209.07754},
year = {2023}
}