图神经网络的PAC-贝叶斯对抗鲁棒泛化界
机器学习
2024-07-09 v2 机器学习
摘要
图神经网络（GNNs）在各种图相关任务中广受欢迎。然而，与深度神经网络类似，GNNs也容易受到对抗攻击的影响。经验研究表明，对抗鲁棒泛化在建立有效防御对抗攻击的算法中起着关键作用。在本文中，我们利用PAC-贝叶斯框架，为两种流行的GNNs——图卷积网络（GCN）和消息传递图神经网络——提供了对抗鲁棒泛化界，以此作为我们的贡献。我们的结果表明，图上扩散矩阵的谱范数、权重的谱范数以及扰动因子控制着这两种模型的鲁棒泛化界。我们的界是（Liao et al., 2020）中结果从标准设定到对抗设定的非平凡推广，同时避免了最大节点度的指数依赖。作为推论，我们在标准设定下导出了GCN的更好的PAC-贝叶斯鲁棒泛化界，通过避免对最大节点度的指数依赖，改进了（Liao et al., 2020）中的界。
引用
@article{arxiv.2402.04038,
title = {PAC-Bayesian Adversarially Robust Generalization Bounds for Graph Neural Network},
author = {Tan Sun and Junhong Lin},
journal= {arXiv preprint arXiv:2402.04038},
year = {2024}
}
备注
38pages