«`html
Графовые нейронные сети в области обучения графов
Графовые нейронные сети (GNN) стали лидирующим подходом для решения задач обучения графов в различных областях, включая рекомендательные системы, социальные сети и биоинформатику. Однако GNN показали уязвимость к атакам, особенно к структурным атакам, модифицирующим графовые рёбра. Эти атаки представляют существенные вызовы в ситуациях, когда злоумышленники имеют ограниченный доступ к сущностным отношениям. Несмотря на разработку множества надежных моделей GNN для защиты от таких атак, существующие подходы сталкиваются с серьезными проблемами масштабируемости. Эти вызовы происходят из высокой вычислительной сложности из-за сложных механизмов защиты и гиперпараметров, требующих обширных знаний и усложняющих развертывание модели в реальных сценариях. В результате возникает настоятельная потребность в модели GNN, которая обеспечивает устойчивость к атакам и при этом остается простой и эффективной.
Практические решения
Исследователи из Гонконгского политехнического университета, Китайского университета Гонконга и Шанхайского университета Цзяотун представляют SFR-GNN (Simple and Fast Robust Graph Neural Network), уникальный двухэтапный подход для противодействия структурным атакам в области обучения графов. Метод предварительно обучается на атрибутах узлов, а затем донастраивается на структурной информации, нарушая «парный эффект» атак. Эта простая стратегия обеспечивает устойчивость без дополнительных гиперпараметров или сложных механизмов, что значительно уменьшает вычислительную сложность. SFR-GNN спроектирован таким образом, что его эффективность практически сравнима с обычным GCN, превосходя существующие модели устойчивости по простоте и легкости внедрения. Путем сопоставления модифицированных структур с предварительно обученными вложениями вместо оригинальных атрибутов SFR-GNN эффективно смягчает влияние структурных атак на производительность модели.
Эффективность SFR-GNN
Эксперименты, проведенные на широко используемых наборах данных, таких как Cora, CiteSeer и Pubmed, а также на крупномасштабных наборах данных ogbn-arxiv и ogbn-products, показывают, что предложенный метод SFR-GNN постоянно достигает наилучшего или второго лучшего показателя производительности при различных коэффициентах возмущения. Например, на наборе данных Cora под Mettack с коэффициентом возмущения 10% SFR-GNN достигает точности 82,1%, превосходя базовые показатели от 69% до 81%. Метод также демонстрирует значительные улучшения во времени обучения, достигая более 100% ускорения на наборах данных Cora и Citeseer по сравнению с самыми быстрыми существующими методами. На крупномасштабных графах SFR-GNN показывает превосходную масштабируемость и эффективность, превосходя даже GCN в скорости при сохранении конкурентоспособной точности.
Заключение
SFR-GNN является инновационным и эффективным решением для защиты от структурных атак на графовых нейронных сетях. Проведенный теоретический анализ и обширные эксперименты подтверждают эффективность метода, демонстрируя устойчивость, сравнимую с передовыми базовыми показателями, при существенном улучшении времени работы на 50%-136%. Кроме того, SFR-GNN проявляет превосходную масштабируемость на крупномасштабных наборах данных, что делает его особенно подходящим для реальных приложений, требующих надежности и эффективности в атакующих средах. Эти выводы позиционируют SFR-GNN как перспективное достижение в области устойчивых графовых нейронных сетей, предлагающее баланс производительности и практичности для различных задач на основе графов в условиях потенциальных структурных атак.