.png){kind=icon}
返回
A dynamic ensemble learning model for robust Graph Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107810.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期研究表明，图神经网络（GNNs）易受对抗攻击。尽管已提出多种防御模型，但它们往往未能充分考虑数据和攻击的变异性，限制了其在动态环境中的有效性。因此，我们提出DERG，一种用于鲁棒GNN的动态集成学习模型，该模型利用多源图数据及动态变化的子模型进行防御。具体而言，我们首先提出图采样策略以净化扰动图，并生成多个子图来模拟图可能出现的各种潜在变化。随后，我们提出基于互信息的多样性增强策略，以增加子模型间的变异性，确保每个子模型专注于不同的防御方向，避免被同一攻击欺骗。最后，我们提出基于博弈论的决策策略，动态分配子模型权重，旨在为不同场景选择最优子模型并适应变化的环境。在广泛使用的数据集上的实验表明，DERG对多种攻击（包括图修改攻击、后门污染攻击和双重攻击）表现出显著的鲁棒性。
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
暂无机构信息
引用论文
分享收藏Backdoor attacks on unsupervised graph representation learning无监督图表示学习的后门攻击.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容