通过对抗鲁棒性评估修剪图结构以强化GNN防御
机器学习
2025-12-30 v1 密码学与安全
摘要
图神经网络(GNN)因能够同时利用节点特征和图拓扑结构中编码的关系信息而成为一种主导范式，用于学习图结构数据。这种联合建模也引入了一个关键弱点：结构或特征中的扰动或噪声可以通过消息传递被放大，使 GNN 对对抗性攻击和虚假连接极其脆弱。在本 work 中，我们引入了一个修剪框架，该框架利用对抗鲁棒性评估来显式识别和删除图中脆弱或有害组件。通过使用鲁棒性得分作为指导，该方法选择性地修剪最可能降低模型可靠性的边，从而产生更干净、更有韧性的图表示。我们在三个代表性 GNN 架构上实现了该框架，并在基准数据集上进行了广泛实验。实验结果表明，我们的方法可以在高扰动 regime 中显著增强 GNN 的防御能力。
引用
@article{arxiv.2512.22128,
title = {Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses},
author = {Yongyu Wang},
journal= {arXiv preprint arXiv:2512.22128},
year = {2025}
}