SAGMAN：流形上图神经网络的稳定性分析
机器学习
2024-10-11 v4 人工智能
摘要
现代图神经网络（GNN）对输入图结构和节点特征的变化可能很敏感，潜在导致不可预测的行为和性能下降。在本工作中，我们引入了一个名为 SAGMAN 的谱框架来检验 GNN 的稳定性。该框架评估由 GNN 在输入和输出流形之间的非线性映射引起的距离畸变：当输入流形上的两个邻近节点（通过 GNN 模型）被映射到输出流形上的两个相距甚远的节点时，意味着较大的距离畸变，从而表明 GNN 的稳定性较差。我们提出了一种保距图降维（GDR）方法，该方法利用谱图嵌入和概率图模型（PGM）创建低维的输入/输出基于图的流形，以进行有意义的稳定性分析。我们的实证评估表明，SAGMAN 能够有效评估每个节点在各种边或特征扰动下的稳定性，为评估 GNN 的稳定性提供了一种可扩展的方法，并扩展到推荐系统中的应用。此外，我们展示了其在下游任务中的实用性，特别是在增强 GNN 稳定性和促进对抗性目标攻击方面。
引用
@article{arxiv.2402.08653,
title = {SAGMAN: Stability Analysis of Graph Neural Networks on the Manifolds},
author = {Wuxinlin Cheng and Chenhui Deng and Ali Aghdaei and Zhiru Zhang and Zhuo Feng},
journal= {arXiv preprint arXiv:2402.08653},
year = {2024}
}