BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
-
研究者使用PAC-Bayesian框架分析图卷积网络（GCN）和消息传递图神经网络的对抗鲁棒性。
-
发现图上扩散矩阵的谱范数、权重的谱范数和扰动因子影响模型的鲁棒性泛化界限。
-
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。
➡️
