Multi-view contrastive learning for graph adversarial defense

Xiao Zhang

doi:10.1016/j.neunet.2025.107868

Multi-view contrastive learning for graph adversarial defense

2025-07-15

0

PRE

AI

DOI：10.1016/j.neunet.2025.107868

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在图相关任务中展现出强大的能力，而近期研究表明GNNs易受对抗性攻击。因此，开发一个鲁棒的GNN框架已成为一个热门的研究课题。当前基于结构净化或鲁棒网络的防御方法通常局限于特征信息和单一视角，往往忽视关键信息。为解决这些挑战，我们对图上的局部和全局信息进行了深入研究，并提出用于图对抗防御的多视角对比学习（COLA）以提升模型鲁棒性。一方面，我们提出利用边的方向性和图扩散基于图的结构、特征和监督信息生成两个增强视角。另一方面，我们采用多视角对比学习通过构建不同的对比路径来编码局部和全局信息，以获得可靠的节点表示。我们在七个基准数据集上验证了COLA的有效性，其中包括四个同配图和三个异配图。结果表明，COLA成功抵御了各种攻击，并超越了当前最优基线方法。

Keyword:

graph neural networks

adversarial defense

multi-view contrastive learning

graph augmentation

robustness

Multi-view contrastive learning for graph adversarial defense

摘要

期刊

机构

引用论文