Robust Subgraph Learning by Monitoring Early Training Representations

要約

グラフ ニューラル ネットワーク (GNN) は、グラフ学習およびノー​​ド分類タスクにおける優れたパフォーマンスで大きな注目を集めています。
ただし、特に影響を受けやすいノードを介した敵対的な攻撃に対する脆弱性が、意思決定に課題をもたらします。
堅牢なグラフ要約の必要性は、グラフ全体にわたる攻撃の伝播によって生じる敵対的な課題から明らかです。
この論文では、新しい手法である SHRD (Subgraph Learning Hale through Early Training Representation Distances) を導入することで、グラフ入力におけるパフォーマンスと敵対的堅牢性の両方に取り組みます。
SHERD は、部分的にトレーニングされたグラフ畳み込みネットワーク (GCN) の層からの情報を活用し、標準の距離メトリックを使用して敵対的攻撃中に影響を受けやすいノードを検出します。
この方法では、「脆弱な (悪い)」ノードを特定し、そのようなノードを削除して、ノード分類パフォーマンスを維持しながら堅牢なサブグラフを形成します。
私たちの実験を通じて、オリジナルおよびサブグラフ入力に対するネットワークのパフォーマンスを既存の敵対的攻撃と並行したさまざまなベースラインと比較することにより、堅牢性を強化する際の SHERD のパフォーマンスの向上を実証しました。
Cora、Citeseer、Pubmed などの引用データセットや胎盤の細胞グラフの微細解剖学的組織構造を含む複数のデータセットにわたる実験では、SHERD が堅牢なパフォーマンスの大幅な向上を達成するだけでなく、次の点でいくつかのベースラインを上回るパフォーマンスを示していることが強調されています。
ノード分類の精度と計算の複雑さ。

要約(オリジナル)

Graph neural networks (GNNs) have attracted significant attention for their outstanding performance in graph learning and node classification tasks. However, their vulnerability to adversarial attacks, particularly through susceptible nodes, poses a challenge in decision-making. The need for robust graph summarization is evident in adversarial challenges resulting from the propagation of attacks throughout the entire graph. In this paper, we address both performance and adversarial robustness in graph input by introducing the novel technique SHERD (Subgraph Learning Hale through Early Training Representation Distances). SHERD leverages information from layers of a partially trained graph convolutional network (GCN) to detect susceptible nodes during adversarial attacks using standard distance metrics. The method identifies ‘vulnerable (bad)’ nodes and removes such nodes to form a robust subgraph while maintaining node classification performance. Through our experiments, we demonstrate the increased performance of SHERD in enhancing robustness by comparing the network’s performance on original and subgraph inputs against various baselines alongside existing adversarial attacks. Our experiments across multiple datasets, including citation datasets such as Cora, Citeseer, and Pubmed, as well as microanatomical tissue structures of cell graphs in the placenta, highlight that SHERD not only achieves substantial improvement in robust performance but also outperforms several baselines in terms of node classification accuracy and computational complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google