基于图的自监督对抗性净化
机器学习
2026-05-29 v2
摘要
防御图神经网络 (GNN) 免受对抗性攻击需要在准确性和鲁棒性之间取得平衡，这一权衡常被传统方法（如对抗训练）在单个分类器中错误地处理。为克服这一限制，我们提出一种自监督对抗性净化框架。我们通过引入专用的净化器，将鲁棒性从分类器中分离出来，该净化器在分类之前清洗输入数据。与现有对抗性净化方法不同，我们提出 GPR-GAE 作为一种新型图自编码器 (GAE)，作为专用的净化器，通过自监督策略进行训练，能够数据驱动地适应各种图结构。利用多个广义 PageRank (GPR) 过滤器，GPR-GAE 捕获多样化的结构表示，以实现稳健且有效的净化。我们的多步骤净化过程进一步促进 GPR-GAE 实现精确的图恢复和对结构扰动的稳健防御。实验在多样化数据集和攻击场景下表明，GPR-GAE 在鲁棒性方面实现了最先进的水平，证明其作为独立可插拔的 GNN 分类器净化器具有优势。
引用
@article{arxiv.2605.23239,
title = {Self-supervised Adversarial Purification for Graph Neural Networks},
author = {Woohyun Lee and Hogun Park},
journal= {arXiv preprint arXiv:2605.23239},
year = {2026}
}
备注
Accepted at ICML 2025. 21 pages. Code is available at: https://github.com/woodavid31/GPR-GAE