SFR-GNN：针对结构攻击的简单快速鲁棒图神经网络
机器学习
2024-09-04 v2 人工智能
摘要
图神经网络(GNNs)已在图结构数据上展现出优异性能。然而，GNsN因嵌入生成依赖于图拓扑结构，常受到对抗结构攻击的威胁。现有方法致力于净化被恶意修改的结构或应用自适应聚合，从而增强对抗结构攻击的鲁棒性。由于缺乏关于被修改结构的先验知识，防御者不可避免地消耗大量计算资源。为此，我们提出一种高效防御方法，称为Simple and Fast Robust Graph Neural Network(SFR-GNN)，其基于相互信息理论。SFR-GNN首先使用节点属性预训练GNN模型，然后以对比学习方式在修改后的图上微调，无需净化修改后的结构或应用自适应聚合，从而实现显著的效率提升。因此，SFR-GNN比先进的鲁棒模型快24%--162%，在节点分类任务中展现出卓越的鲁棒性。
引用
@article{arxiv.2408.16537,
title = {SFR-GNN: Simple and Fast Robust GNNs against Structural Attacks},
author = {Xing Ai and Guanyu Zhu and Yulin Zhu and Yu Zheng and Gaolei Li and Jianhua Li and Kai Zhou},
journal= {arXiv preprint arXiv:2408.16537},
year = {2024}
}