弹性图神经网络：一种耦合动力系统方法
机器学习
2024-09-13 v3 密码学与安全
摘要
图神经网络（GNN）已成为解决多种基于图的任务的关键组件。尽管取得显著成功，GNN 仍易受对抗攻击形式的输入扰动影响。本文通过耦合动力系统的视角，提出一种创新方法来增强 GNN 抵御对抗扰动的能力。我们的方法引入基于具有收缩性质的微分方程的图神经层，如我们所展示的，其改善了 GNN 的鲁棒性。所提方法的一个显著特征是节点特征与邻接矩阵的同时学习演化，从而对输入特征及图连通性的扰动产生内在的模型鲁棒性增强。我们从数学上推导了这一新颖架构的基础，并提供理论见解以解释其预期行为。我们通过大量真实基准测试证明了方法的有效性，其性能与现有方法相当或有所提升。
引用
@article{arxiv.2311.06942,
title = {Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach},
author = {Moshe Eliasof and Davide Murari and Ferdia Sherry and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2311.06942},
year = {2024}
}
备注
ECAI 2024