文本属性图学习中的鲁棒性：洞察、权衡与新防御
机器学习
2025-10-21 v1
摘要
虽然图神经网络（GNN）和大语言模型（LLM）是学习文本属性图（TAGs）的强大方法，但其鲁棒性的全面理解仍然模糊不清。当前的评估碎片化，未能系统地检验文本和结构扰动在不同模型和攻击情景下的独特效果。为解决这些限制，我们引入一个统一且全面的框架来评估TAG学习中的鲁棒性。我们的框架在四个领域的十个数据集上，评估经典GNN、鲁棒GNN（RGNN）和GraphLLM，在各种基于文本、基于结构和混合扰动下进行poisoning和evasion情景下的评估。我们的广泛分析揭示了多个发现，其中最值得注意的三个是：1）模型在文本和结构之间存在内在的鲁棒性权衡，2）GNN和RGNN的性能高度依赖文本编码器和攻击类型，3）GraphLLM对训练数据腐败尤其脆弱。为克服识别的权衡，我们引入SFT-auto，一个新型框架，在单一模型中提供对文本和结构攻击的优越且平衡的鲁棒性。我们的工作为TAG安全的未来研究提供了基础，并为对抗环境中鲁棒TAG学习提供了实用解决方案。我们的代码可在：https://github.com/Leirunlin/TGRB访问。
引用
@article{arxiv.2510.17185,
title = {Robustness in Text-Attributed Graph Learning: Insights, Trade-offs, and New Defenses},
author = {Runlin Lei and Lu Yi and Mingguo He and Pengyu Qiu and Zhewei Wei and Yongchao Liu and Chuntao Hong},
journal= {arXiv preprint arXiv:2510.17185},
year = {2025}
}