PulseAugur
中
实时 20:24:08
None Self-supervised Adversarial Purification for Graph Neural Networks

新的GNN防御方法使用自监督净化器对抗对抗性攻击

作者 PulseAugur 编辑部 · [1 source] ·

研究人员开发了一种新颖的用于图神经网络（GNN）的自监督对抗净化框架。该新方法通过使用专用的净化器GPR-GAE将鲁棒性任务与分类任务分离，GPR-GAE是一个采用自监督策略训练的图自编码器。GPR-GAE利用多个广义PageRank滤波器来捕获多样化的结构表示，从而实现有效的净化和对图数据上对抗性攻击的鲁棒防御。 AI

影响 引入了一种新方法来增强图神经网络在面对恶意扰动时的安全性和可靠性。

排序理由 该集群包含一篇学术论文，详细介绍了防御图神经网络对抗性攻击的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 · Woohyun Lee, Hogun Park ·

    Self-supervised Adversarial Purification for Graph Neural Networks

    arXiv:2605.23239v1 Announce Type: new Abstract: Defending Graph Neural Networks (GNNs) against adversarial attacks requires balancing accuracy and robustness, a trade-off often mishandled by traditional methods like adversarial training that intertwine these conflicting objective…

相关实体

相关话题