驾驭有向图中的信任：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，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

现有针对鲁棒图神经网络（GNNs）的研究主要集中在全无向图，而忽视了有向图中链接方向所蕴含的可信性。在本研究中，我们从攻击和防御两个角度分析了现有方法的局限性，并重新定义了有向图中 GNNs 的鲁棒性。从攻击方面，我们提出了一种更贴近现实的有向图攻击设定，以解决现有攻击的不足。从防御方面，我们提出了一种简单而有效的消息传递框架，作为即插即用的增强层来提升 GNNs 的鲁棒性，同时避免产生虚假的鲁棒性感知。我们的研究表明，有向图中编码的可信信号可以被利用来显著提升 GNNs 的鲁棒性。与现有防御策略结合后，该框架在迁移攻击和自适应攻击下均实现了最先进的鲁棒性能，同时保持了优秀的干净精度。这些结果指出了一条增强图深度学习鲁棒性的新颖且有前景的方向。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。它旨在辅助发现、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本工作。它意在作为作者提供的摘要的补充，后者仍然是论文的主要摘要。全文仍是权威的记录版本。 点击此处了解更多。

点击 此处 对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进及未来的重新生成版本。

要查看此 AI 生成的简明语言摘要，您必须拥有高级访问权限。