المفاهيم الأساسية
グラフ構造の頑健な特徴表現を学習することで、グラフニューラルネットワークの敵対的攻撃に対する頑健性を高めることができる。
الملخص
本論文では、グラフ上の敵対的攻撃に対する頑健性を高めるために、証人複合体に基づくトポロジー表現を提案している。具体的には以下の3つの主要な要素から成る「証人グラフトポロジー層(WGTL)」を導入している:
ローカルトポロジー符号化: グラフの局所的な形状特徴を表現する。ランドマーク集合を用いて効率的に計算する。
グローバルトポロジー符号化: グラフ全体の形状特徴を表現する。
トポロジー正則化損失: トポロジー特徴の安定性を高めるための正則化項。
これらの要素を組み合わせることで、ローカルおよびグローバルな攻撃に対して頑健な表現を学習できる。理論的な安定性解析に基づき、提案手法の有効性を示している。実験では、6つのデータセットと8つのGNNモデルを用いて評価し、既存の防御手法に比べて最大18%の性能向上を達成している。また、大規模グラフや異質性の高いグラフ、適応型攻撃に対しても有効性を示している。
الإحصائيات
攻撃者の予算δに対して、ローカルトポロジー符号化は O(Cϵ(δ + ϵ))の安定性を持つ
グローバルトポロジー符号化は O(δ + ϵ)の安定性を持つ
最終的な表現ZWGTLは O((Cϵ + LGNN)(δ + ϵ)2)の安定性を持つ
اقتباسات
"グラフ構造の頑健な特徴表現を学習することで、グラフニューラルネットワークの敵対的攻撃に対する頑健性を高めることができる。"
"提案手法の有効性を示している。実験では、6つのデータセットと8つのGNNモデルを用いて評価し、既存の防御手法に比べて最大18%の性能向上を達成している。"