通过监控早期训练表示实现鲁棒子图学习
机器学习
2024-11-19 v2 密码学与安全
摘要
图神经网络(GNN)因在图学习和节点分类任务中卓越的性能而受到广泛关注。然而，其对对抗攻击的脆弱性——尤其是通过易受攻击的节点——在决策中提出了挑战。由此导致的对抗攻击在整个图上扩散，使得对鲁棒图概要化的需求显而易见。本文通过引入新颖技术SHERD(Subgraph Learning Hale through Early Training Representation Distances)来同时解决性能和对抗鲁棒性问题。SHERD利用部分训练的图卷积网络(GCN)的层信息，通过标准距离度量检测对抗攻击期间的易受攻击节点。该方法识别“脆弱(差)”节点并移除这些节点以构建鲁棒子图，同时保持节点分类性能。通过我们的实验，我们在多个数据集上演示了SHERD在提升鲁棒性方面的卓越表现，这些数据集包括引用数据集如Cora、Citeseer和Pubmed，以及胎盘中细胞图的微解剖组织结构。实验结果表明，SHERD不仅在鲁棒性能上实现了显著提升，还在节点分类准确率和计算复杂度方面超越了多个基线方法。
引用
@article{arxiv.2403.09901,
title = {Robust Subgraph Learning by Monitoring Early Training Representations},
author = {Sepideh Neshatfar and Salimeh Yasaei Sekeh},
journal= {arXiv preprint arXiv:2403.09901},
year = {2024}
}