.png){kind=icon}
返回
Structural complementary hypergraph defense framework against adversarial attacks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114897.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超图神经网络（HGNNs）能够有效捕获高阶依赖关系，但也使其容易受到对抗性结构攻击。现有的防御方法主要关注传统的图神经网络，而HGNNs的脆弱性尚未得到充分探索。为缓解这一问题，我们提出了一种鲁棒的超图框架，命名为Structural COmplementary hyPergraph dEfense（SCOPE）。在训练阶段，SCOPE联合训练互补的结构依赖分支。深度结构依赖分支通过多轮消息传递捕获高阶语义；浅层结构依赖分支降低对超边的依赖，以减少结构扰动的敏感性。随后，采用对比学习对齐两个分支的超边嵌入，使浅层分支能够从深度分支吸收高阶语义，同时保持鲁棒性。为进一步去除不可靠连接，我们设计了一种结构净化策略，结合加权完全子图扩展和特征相似性过滤。在净化后的图上，引入预测平滑正则化，强制语义相似且结构紧密连接的节点保持平滑性。在推理阶段，仅使用浅层分支以保证结构鲁棒性和效率。我们将SCOPE与17个基线方法在污染攻击和规避攻击场景下进行比较。结果表明，SCOPE始终优于现有的HGNNs，实现了高阶表示能力和鲁棒性的双重提升。
