重新審視圖神經網路在結構攻擊下的抗逆性：一種簡單且快速的方法

我們很高興地宣布，我們近期發表的期刊論文「重新審視圖神經網路在結構攻擊下的抗逆性：一種簡單且快速的方法」已於2025年12月在《IEEE Transactions on Information Forensics and Security》（TIFS）上發表。論文由本院與香港理工大學，上海交通大學，美國加利福利亞大學歐文分校合作完成：

Xing Ai, Yulin Zhu, Yu Zheng, Gaolei Li, Jianhua Li, Kai Zhou, “Revisiting Adversarial Robustness of GNNs Against Structural Attacks: A Simple and Fast Approach” in IEEE Transactions on Information Forensics and Security, vol. 21, pp. 446-459, 2025, doi: 1109/TIFS.2025.3641816.

論文連結：https://ieeexplore.ieee.org/document/11311611

論文摘要

為了抵禦針對圖的對抗性結構攻擊，我們從互信息的角度來分析這些攻擊，併發現了“成對效應”。這一效應表明，當這些圖神經網路接收到與給定節點屬性相結合的修改後的結構作為訓練輸入時，結構攻擊會顯著降低受害圖神經網路的性能。因此，我們提出了一種新穎的防禦策略，通過在受害圖神經網路的訓練過程中破壞修改結構與節點屬性的配對關係，使結構攻擊無效，我們將其稱為“破壞成對效應”。為了實現這一理念，我們提出了兩種簡單但有效的訓練策略：結構微調（SF）和漸進式結構訓練（PST），它們分別通過節點屬性預訓練、結構微調和漸進式結構訓練來破壞成對效應。與現有的魯棒圖神經網路相比，我們的策略避免了耗時的技術，從而提高了圖神經網路的魯棒性，同時加快了訓練速度。此外，這些策略能夠輕鬆應用於各種常見的圖神經網路（GNN），包括穩健的 GNN 變體，使其能夠高度適應不同的模型和應用。我們對所提出的訓練策略進行了理論分析，並在各種數據集上進行了大量實驗以證明其有效性。本文的數據集和代碼

https://github.com/Xing-Ai1003/Revisiting-Adversarial-Robustness-of-GNNs。

研究團隊成員

香港珠海學院