重新审视图机器学习中的鲁棒性

许多工作表明，图神经网络（GNNs）的节点级预测对图结构微小（常称为对抗性的）变化缺乏鲁棒性。然而，由于人工检视图较为困难，尚不清楚所研究的扰动是否始终保留对抗样本的一个核心假设：语义内容不变。为解决此问题，我们引入一种更具原则性的对抗图概念，其能感知语义内容变化。利用上下文随机块模型（CSBMs）与真实世界图，我们的结果揭示：$i)$ 对于大多数节点，盛行的扰动模型包含大量违反语义不变假设的扰动图；$ii)$ 令人惊讶的是，所有被评估的GNN都表现出过度鲁棒性——即在语义变化点之外仍具鲁棒性。我们发现这是与对抗样本互补的现象，并表明将训练图的标签结构纳入GNN的推断过程可显著减少过度鲁棒性，同时对测试精度与对抗鲁棒性有正向作用。理论上，借助我们新的语义感知鲁棒性概念，我们证明对于归纳式分类新加入节点不存在鲁棒性—准确性权衡。