PulseAugur
中
实时 09:51:35
English(EN) AuditVotes: Elevating Provable Defense for GNNs with Efficient Augmentation and Conditional Smoothing

AuditVotes框架提升GNN鲁棒性和准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出AuditVotes，一个旨在增强图神经网络（GNN）对抗自适应攻击鲁棒性的新框架。该框架整合了图重连增强和条件平滑技术，以提高准确性和认证鲁棒性，解决了随机平滑方法常见的权衡问题。AuditVotes已展示出显著的改进，例如在特定攻击条件下，Cora-ML数据集上的干净准确率和认证准确率大幅提升，同时运行时长与标准平滑技术相当。 AI

影响 增强了在敏感应用中基于图的AI模型的安全性和可靠性。

排序理由 研究论文，详细介绍GNN鲁棒性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AuditVotes框架提升GNN鲁棒性和准确性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuni Lai, Yulin Zhu, Yixuan Sun, Yulun Wu, Bin Xiao, Gaolei Li, Jianhua Li, Qi Xie, Kai Zhou ·

    AuditVotes：通过高效增强和条件平滑提升GNN的可证明防御能力

    arXiv:2503.22998v2 Announce Type: replace-cross Abstract: Despite advancements in Graph Neural Networks (GNNs), adaptive attacks continue to challenge their robustness. Certified robustness via randomized smoothing offers provable guarantees but suffers from a severe accuracy-rob…

相关实体

相关话题