【NeurIPS 2022】EvenNet:忽略Odd-Hop邻居改善图神经网络的鲁棒性

论文题目：EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks 作者：雷润林，王桢，李雅亮，丁博麟，魏哲巍 通讯作者：魏哲巍

论文概述：图谱神经网络（GNN）因其在图谱机器学习中的良好表现而受到广泛的研究关注。尽管它们具有非凡的预测精度，但现有的方法，如GCN和GPRGNN，在面对测试图上的同配性变化时并不鲁棒，使这些模型容易受到图结构的攻击，在应用到同配性不同的图上时作用有限。尽管目前已有许多方法来提高GNN模型的鲁棒性，但这些技术大多局限于空域，并采用了复杂的防御机制，如学习新的图结构或计算边注意力。对此，我们期望研究在谱域中设计简单而鲁棒的GNN模型的问题。我们提出了EvenNet，一个对应于偶数阶图滤波器的谱域GNN。基于我们在空域和谱域的理论分析，我们证明了EvenNet在不同异配性上的图的泛化能力优于全阶数模型，这意味着忽略奇数跳邻居可以提高GNN的鲁棒性。我们在合成和真实数据集上进行了实验，证明了EvenNet的有效性。值得注意的是，EvenNet在不引入额外计算成本的情况下，对非目标性结构性攻击的表现优于现有的防御模型，在节点分类任务中同样保持竞争力。

https://arxiv.org/abs/2205.13892