图神经网络的 PAC-Bayesian 对抗鲁棒泛化界限
原文中文，约300字，阅读约需1分钟。发表于：。在这篇论文中，我们使用 PAC-Bayesian 框架为两种流行的图神经网络，图卷积网络（GCN）和消息传递图神经网络，提供了对抗鲁棒性泛化界限的结果。我们的结果揭示出图上扩散矩阵的谱范数、权重的谱范数以及扰动因子决定了这两个模型的鲁棒性泛化界限。同时，我们的界限避免了在标准设置中指数依赖于最大节点度的问题。作为推论，我们在标准设置中为 GCN 导出了更好的 PAC-Bayesian...
研究者使用PAC-Bayesian框架为图卷积网络（GCN）和消息传递图神经网络提供了对抗鲁棒性泛化界限的结果。他们发现图上扩散矩阵的谱范数、权重的谱范数以及扰动因子决定了这两个模型的鲁棒性泛化界限。研究者还为GCN导出了更好的PAC-Bayesian鲁棒性泛化界限，避免了对最大节点度的指数依赖。
