利用有向图中的信任：重新定义图学习的鲁棒性

《ACM Transactions on Knowledge Discovery from Data》：Harnessing Trust in Directed Graphs: Redefining Robustness of Graph Learning

　　

摘要AI摘要

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

现有针对鲁棒图神经网络（GNNs）的研究主要关注无向图，忽视了有向图中链接方向所固有的可信度。在本研究中，我们从攻击和防御两个角度分析了当前方法的局限性，并重新定义有向图中GNNs的鲁棒性。从攻击角度，我们引入了一种更现实的有向图攻击设置，以解决现有攻击的不足之处。从防御角度，我们提出了一种简单有效的消息传递框架，可作为插件层来增强GNNs的鲁棒性，同时避免产生鲁棒性的错觉。我们的发现表明，有向图中编码的可信信号可以被利用以显著提高GNNs的鲁棒性。当与现有防御策略结合时，该框架在应对迁移攻击和自适应攻击时实现了最先进的鲁棒性能，同时保持了强大的干净准确率。这些结果指出了一种增强图深度学习鲁棒性的新颖且富有前景的方向。

AI摘要

AI生成摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审核。其目的是支持发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的权威摘要。完整文章仍是权威版本。点击此处了解更多。

点击此处评论本摘要的准确性、清晰度和实用性。这样做将有助于改进和未来的再生成版本。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。