Core Concepts
그래프 신경망의 노드 특성 공격에 대한 기대 강건성의 상한을 도출하고, 이를 바탕으로 더 강건한 그래프 컨볼루션 신경망 모델을 제안한다.
Abstract
이 논문에서는 그래프 신경망의 노드 특성 공격에 대한 기대 강건성을 정의하고 이에 대한 상한을 도출하였다.
먼저, 그래프와 특성 공간에서의 거리 척도를 정의하고, 이를 바탕으로 그래프 함수의 기대 강건성을 수학적으로 정의하였다. 이는 기존의 최악의 경우 강건성 정의를 일반화한 것이다.
다음으로, 그래프 컨볼루션 신경망(GCN)의 기대 강건성에 대한 상한을 도출하였다. 이 상한은 GCN의 가중치 행렬 노름과 그래프의 구조적 특성에 의존한다.
이를 바탕으로, 가중치 행렬의 직교정규성을 유도하는 새로운 GCN 모델인 GCORN을 제안하였다. GCORN은 노드 특성 공격에 대한 강건성을 높이면서도 성능을 유지할 수 있다.
마지막으로, 기대 강건성을 확률적으로 추정하는 방법을 제안하였다. 이를 통해 다양한 공격 시나리오에서 모델의 강건성을 평가할 수 있다.
Stats
그래프 신경망의 가중치 행렬 노름이 클수록 노드 특성 공격에 대한 기대 강건성이 낮다.
그래프의 구조적 특성(예: 정규화된 인접행렬의 행 합)이 클수록 노드 특성 공격에 대한 기대 강건성이 낮다.
Quotes
"그래프 신경망은 다양한 그래프 표현 학습 작업에서 최첨단 성능을 보여왔지만, 최근 연구에서 이들의 취약성이 드러났다."
"우리는 그래프 신경망의 기대 강건성을 이론적으로 정의하고, 이를 기존의 적대적 강건성 정의와 관련짓는다."