RW-NSGCN：一种通过负采样应对结构攻击的鲁棒方法
机器学习
2024-08-14 v1 人工智能
摘要
图神经网络（GNN）中的节点分类已广泛应用于预测用户兴趣和检测社交网络社区等实际场景。然而，近期研究表明，图结构网络往往包含潜在的噪声和攻击，表现为拓扑扰动和权重扰动，可能导致GNN分类性能下降。为提高模型的鲁棒性，本文提出一种新方法：随机游走负采样图卷积网络（RW-NSGCN）。具体而言，RW-NSGCN将带重启的随机游走（RWR）和PageRank（PGR）算法用于负采样，并采用基于行列式点过程（DPP）的GCN进行卷积操作。RWR利用全局和局部信息来管理噪声和局部变化，而PGR评估节点重要性以稳定拓扑结构。基于DPP的GCN确保负采样之间的多样性，并将其特征聚合以生成鲁棒的节点嵌入，从而提升分类性能。实验结果表明，RW-NSGCN模型有效应对了网络拓扑攻击和权重不稳定性，提高了异常检测精度和整体鲁棒性。在分类准确率方面，RW-NSGCN显著优于现有方法，在各种场景下展现出更强的韧性，有效缓解了此类漏洞的影响。
引用
@article{arxiv.2408.06665,
title = {RW-NSGCN: A Robust Approach to Structural Attacks via Negative Sampling},
author = {Shuqi He and Jun Zhuang and Ding Wang and Jun Song},
journal= {arXiv preprint arXiv:2408.06665},
year = {2024}
}