研究人员开发了ProGAP，这是一种新颖的可转移图净化方案，旨在增强图神经网络（GNN）在对抗性扰动下的鲁棒性。该方法通过利用来自数据丰富图的知识转移到下游任务，克服了现有防御措施的局限性，降低了计算成本并提高了性能。ProGAP采用一种感知漏洞的提示学习方法，结合了扰动捕获边缘检测器和有针对性的净化指导，以适应分布变化，而无需进行广泛的参数更新。 AI
影响 提高了图神经网络在对抗性攻击下的鲁棒性，可能导致在安全敏感应用中更可靠的AI系统。
排序理由 详细介绍图神经网络新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Graph Neural Networks
- Hugging Face
- perturbation-capture edge detector
- ProGAP
- ScienceCast
- vulnerability-aware graph prompt learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
