张量增强图神经网络

对抗鲁棒性领先

通过张量近似将多种对抗图的鲁棒性特征聚合成低秩表示，在保持图结构完整性的同时，对多种对抗攻击的防御性能超越现有领先方法。

Zhang, Jianfu · 红妍 · 程大伟 · 张丽清 · 赵启斌

Pattern Recognition 2025

技术优势

多种攻击都扛得住

框架经实验验证对多种类型的对抗攻击均能有效抑制性能下降，说明其防御机制具有普适性。

结构不破坏

张量近似在聚合鲁棒性特征的同时保持图结构完整性，避免因防御处理而损失原始数据中的结构信息。

超越现有防御

在真实图数据集上的综合实验表明，该框架的性能优于当前领先的防御机制。

应用场景

• 图数据安全：提升图数据在恶意攻击下的安全性，用于关键信息基础设施防护。
• 鲁棒图表示学习：学习鲁棒的图表示，供下游任务在对抗环境下保持稳定。
• 物联网安全：保护物联网中图结构数据的完整性，防止恶意篡改。
• 恶意节点检测：增强对恶意节点的识别能力，防止其对模型造成干扰。
• 生物网络分析：在生物网络分析中抵抗噪声或扰动，提高分析可靠性。