通过保持邻居相似性迈向超越同配性的鲁棒图结构学习
机器学习
2025-09-05 v2 密码学与安全
社会与信息网络
摘要
尽管基于图的学习系统在处理结构数据方面取得了巨大成功，但广泛研究表明，它们在同配图数据上容易受到对抗攻击的影响，即攻击者恶意修改原始图数据的语义和拓扑信息以降低预测性能。受此启发，一系列鲁棒模型被设计出来，以增强基于图的学习系统在同配图上的对抗鲁棒性。然而，基于图的学习系统在异配图上的安全性对我们来说仍是个谜。为了弥补这一差距，本文开始探索基于图的学习系统在无论同配度如何情况下的脆弱性，并从理论上证明负分类损失的更新与基于幂次聚合邻居特征的成对相似度呈负相关。这一理论发现启发我们设计了一种新颖的鲁棒图结构学习策略，该策略作为鲁棒模型中有用的图挖掘模块， Incorporates 一个双 kNN 图构建流程来监督保持邻居相似性的传播，其中图卷积层根据节点对丰富的局部结构自适应地平滑或区分其特征。通过这种方式，所提出的方法可以在不同的图同配性下挖掘原始图数据“更好”的拓扑结构，并在同配和异配图上的实现更可靠的数据管理。
引用
@article{arxiv.2401.09754,
title = {Towards Robust Graph Structural Learning Beyond Homophily via Preserving Neighbor Similarity},
author = {Yulin Zhu and Yuni Lai and Xing Ai and Wai Lun LO and Gaolei Li and Jianhua Li and Di Tang and Xingxing Zhang and Mengpei Yang and Kai Zhou},
journal= {arXiv preprint arXiv:2401.09754},
year = {2025}
}