RW-NSGCN：通过负采样应对结构攻击的鲁棒方法
内容提要
本文探讨了图信号处理与图嵌入模型的关系，提出了GF-Attack攻击器，能够有效攻击图滤波器。同时，研究了图神经网络的鲁棒性，提出了基于贪心算法的节点选择和无监督流水线STABLE等优化方法，以增强模型的抗攻击能力。实验结果表明，这些方法在多个基准数据集上表现优越。
延伸解读
GF-Attack：针对图滤波器的通用攻击
GF-Attack是一种广义对抗攻击器，它只针对图滤波器，无需访问目标分类器的知识。实验表明，该攻击对多个基准数据集上的不同图嵌入模型均有效，即使仅改变一条边这样的小扰动，也能产生强大的攻击效果。这揭示了图嵌入模型在结构扰动下的脆弱性，提醒研究者在设计模型时需考虑滤波器的鲁棒性。
节点选择与贪心修正：平衡攻击效果与节点数量
研究发现，基于PageRank的重要度计算可以提高分类误差率，但被攻击节点数量与误差率之间存在矛盾。为此，提出一种基于贪心算法的修正方法，能有效解决这一矛盾。这意味着在攻击或防御场景中，节点选择策略需要权衡效果与代价，贪心方法提供了一种可行的优化途径。
STABLE：无监督流水线增强鲁棒性
STABLE是一种无监督流水线，通过边度量学习优化图结构以增强图神经网络的鲁棒性，并设计高级GCN进一步加强防御。在四个实际图形基准测试中，STABLE表现出优越的性能。这表明无监督方法结合结构优化可以有效提升模型对抗攻击的能力，为鲁棒性研究提供了新思路。
汇聚方案与鲁棒性：高断点汇聚的优势
研究证明，图卷积网络的非鲁棒性汇聚方案（如加权平均）导致结构对抗示例容易成功，而使用高断点的汇聚方案（如中位数或修剪平均）可显著提高鲁棒性能。实验表明，这种简单有效的方法比现有其他模型具有最佳的鲁棒性能。这提示我们，汇聚函数的选择对模型鲁棒性至关重要。
Q&A
GF-Attack攻击器的主要功能是什么？
GF-Attack攻击器专门针对图滤波器进行攻击，不需要访问目标分类器的知识。
如何提高图神经网络的鲁棒性？
可以通过使用基于贪心算法的节点选择方法和STABLE无监督流水线来增强图神经网络的鲁棒性。
实验结果显示哪些方法在基准数据集上表现优越？
基于贪心算法的节点选择和STABLE无监督流水线在多个基准数据集上表现优越。
图卷积网络的非鲁棒性是如何影响其性能的？
图卷积网络的非鲁棒性使得结构对抗示例容易成功，影响了节点分类的准确性。
STABLE无监督流水线的主要作用是什么？
STABLE无监督流水线通过边度量学习来增强图神经网络的鲁棒性，抵御对抗攻击。
基于PageRank的节点选择方法有什么问题？
基于PageRank的节点选择方法可能会提高分类误差率。
