【NeurIPS2023】图神经网络的对抗性鲁棒性:哈密顿方法

图神经网络（GNNs）容易受到对抗扰动的影响，这些扰动影响节点特征和图拓扑。本文研究了来自多种神经流的GNNs，重点关注它们与各种稳定性概念的关联，例如BIBO稳定性、Lyapunov稳定性、结构稳定性和保守稳定性。我们认为，尽管Lyapunov稳定性常被使用，但它不一定确保对抗鲁棒性。受物理原理启发，我们提倡使用保守的哈密顿神经流来构建对抗攻击稳健的GNNs。我们在多种对抗攻击条件下，对不同神经流GNNs的对抗鲁棒性在多个基准数据集上进行了实证比较。大量的数值实验显示，利用Lyapunov稳定性的保守哈密顿流的GNNs在对抗扰动上的鲁棒性得到了显著提高。实验的实现代码可在以下链接获取： https://github.com/zknus/NeurIPS-2023-HANG-Robustness。