赋能图卷积网络：基于图幂运算的鲁棒图卷积网络
机器学习
2021-09-22 v2 密码学与安全
机器学习
摘要
图卷积网络（GCNs）是处理图结构数据的有力工具。然而，最近的研究表明它们易受拓扑攻击。为增强对抗鲁棒性，我们超越谱图理论，转向鲁棒图理论。通过挑战经典的图拉普拉斯算子，我们提出了一种在谱域可证明鲁棒的新卷积算子，并将其纳入GCN架构以改进表达力与可解释性。通过将原始图扩展为图序列，我们还提出了一种鲁棒训练范式，鼓励在具有一系列空间与谱特征的图之间进行可迁移性学习。所提方法在大量实验中证明能在良性与对抗情形下同时提升性能。
引用
@article{arxiv.1905.10029,
title = {Power up! Robust Graph Convolutional Network via Graph Powering},
author = {Ming Jin and Heng Chang and Wenwu Zhu and Somayeh Sojoudi},
journal= {arXiv preprint arXiv:1905.10029},
year = {2021}
}
备注
Accepted by AAAI 2021 at: https://ojs.aaai.org/index.php/AAAI/article/view/16976