软件学报

作者：初旭，马辛宇，林阳，王鑫，王亚沙，朱文武，梅宏

单位：初旭，清华大学 计算机科学与技术系, 北京 10008411,马辛宇，北京大学 计算机学院, 北京 100871;高可信软件技术教育部重点实验室 (北京大学), 北京 10087102,林阳，北京大学 计算机学院, 北京 100871;高可信软件技术教育部重点实验室 (北京大学), 北京 10087103,王鑫，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10220604,王亚沙，高可信软件技术教育部重点实验室 (北京大学), 北京 100871;北京大学 软件工程国家工程研究中心, 北京 10087105,朱文武，清华大学 计算机科学与技术系, 北京 100084;清华大学 北京信息科学与技术国家研究中心, 北京 10220606,梅宏，高可信软件技术教育部重点实验室 (北京大学), 北京 10087107

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

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)

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.

来源：2024年第8期

《软件学报》期刊编辑部

查看软件学报杂志2024年第8期