Cluster-guided adversarial graph contrastive learning

doi:10.1016/j.neunet.2026.109315

Cluster-guided adversarial graph contrastive learning

2026-07-01

1

PRE

AI

张慧灵 (Huiling Zhang) *

W

Wang, Changdong

DOI：10.1016/j.neunet.2026.109315

原文链接

原文求助

摘要

En 中文

图对比学习（GCL）在无监督图表示学习中展现出其应用潜力。近期研究表明，基于GCL的方法易受对抗攻击影响，图结构和节点特征的小扰动即可误导模型，限制其在安全关键领域的部署。本文重新审视了图对比学习在对抗攻击下的鲁棒性，并识别出影响模型鲁棒性的两个因素。首先，现有方法主要依赖单级对比学习，聚焦于局部邻域结构，可能过度拟合对抗场景中的结构噪声。其次，它们常忽视样本对的可靠性，尽管在图受攻击时，选择可靠的正负样本对表示质量至关重要。为解决这些问题，我们提出了一种基于聚类的对抗图对比学习（CAGCL）方法，结合双级对比学习与高置信度样本的跨视图映射。通过从可靠样本中获取类别级指导，CAGCL强化了对抗与增强图视图间的交互，学习到更鲁棒且判别力更强的表示。在多个基准数据集上的无目标与有目标攻击实验表明，所提方法优于当前最优基线。

Keyword:

Graph contrastive learning

Robust graph representation learning

Adversarial attack and defense

Cluster-guided adversarial graph contrastive learning

摘要

期刊

机构

引用论文