基于对抗图谱提示的鲁棒图微调
机器学习
2026-01-05 v1
摘要
参数高效微调 (PEFT) 方法已成为调整预训练图神经网络模型适应下游任务的主流范式。然而，现有 PEFT 方法在面对图谱拓扑和节点属性/特征上的各种噪声和攻击时表现出显著的脆弱性。为此，我们首次提出将对抗学习集成到图谱提示中，开发出一种新的对抗图谱提示 (AGP) 框架以实现鲁棒图微调。AGP 的关键方面有二：其一，我们提出将 AGP 作为 min-max 优化问题的一般问题表述，构建交替优化方案以求解。对于内层最大化，我们提出联合投射梯度下降 (JointPGD) 算法以生成强对抗噪声。对于外层最小化，我们采用简单而有效的模块来学习最优节点提示以抵消对抗噪声。其二，我们证明所提出的 AGP 可理论上解决图谱拓扑和节点噪声。这确认了 AGP 微调方法的通用性和鲁棒性，可应用于各种图噪声场景。值得注意的是，所提出的 AGP 是一种通用方法，可集成到各种预训练图神经网络模型中以增强其在下游任务上的鲁棒性。多个基准任务上的大量实验验证了 AGP 方法在鲁棒性和有效性方面优于最先进的方法。
引用
@article{arxiv.2601.00229,
title = {Robust Graph Fine-Tuning with Adversarial Graph Prompting},
author = {Ziyan Zhang and Bo Jiang and Jin Tang},
journal= {arXiv preprint arXiv:2601.00229},
year = {2026}
}