基于条件随机场的图神经网络后验鲁棒性增强
机器学习
2024-11-11 v1 社会与信息网络
应用统计
机器学习
摘要
图神经网络 (GNN) 作为当今图表示学习的基准方法，已显示出对对抗性攻击的脆弱性，这引发了对其实际应用范围的关切。虽然现有防御技术主要集中在 GNNs 的训练阶段，涉及消息传递架构的调整或预处理方法，但在推理阶段增强鲁棒性的方法却明显不足。在此背景下，本研究引入了 RobustCRF，一种旨在推理阶段提升 GNNs 鲁棒性的后验方法。我们提出的方法基于统计关系学习中的条件随机场，是一种模型无关的方法，无需关于底层模型架构的先验知识。我们在 various 模型上进行了验证，利用基准节点分类数据集进行了测试。
引用
@article{arxiv.2411.05399,
title = {Post-Hoc Robustness Enhancement in Graph Neural Networks with Conditional Random Fields},
author = {Yassine Abbahaddou and Sofiane Ennadir and Johannes F. Lutzeyer and Fragkiskos D. Malliaros and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2411.05399},
year = {2024}
}