-
题名面向鲁棒图结构防御的过参数化图神经网络
- 1
-
-
作者
初旭
马辛宇
林阳
王鑫
王亚沙
朱文武
梅宏
-
机构
清华大学计算机科学与技术系
-
出处
《软件学报》
EI
2024年第8期3878-3896,共19页
-
基金
国家科技攻关计划(2020AAA0106300)
国家自然科学基金(62250008,62222209,62102222,61936011)
北京信息科学与技术国家研究中心基金(BNR2023RC01003)。
-
文摘
图数据在现实应用中普遍存在,图神经网络(GNN)被广泛应用于分析图数据,然而GNN的性能会被图结构上的对抗攻击剧烈影响.应对图结构上的对抗攻击,现有的防御方法一般基于图内聚先验进行低秩图结构重构.但是现有的图结构对抗防御方法无法自适应秩真值进行低秩图结构重构,同时低秩图结构与下游任务语义存在错配.为了解决以上问题,基于过参数化的隐式正则效应提出过参数化图神经网络(OPGNN)方法,并形式化证明所提方法可以自适应求解低秩图结构,同时证明节点深层表征上的过参数化残差链接可以有效解决语义错配.在真实数据集上的实验结果表明,OPGNN方法相对于现有基线方法具有更好的鲁棒性,同时,OPGNN方法框架在不同的图神经网络骨干上如GCN、APPNP和GPRGNN上显著有效.
-
关键词
图节点半监督分类
图结构对抗防御
过参数化
隐式正则化
图神经网络
-
Keywords
semi-supervised classification of graph nodes
graph structure adversarial defense
over-parameterization
implicit regularization
graph neural network(GNN)
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-