图神经网络的表达能力与对抗鲁棒性的视角
原文中文，约400字，阅读约需1分钟。发表于：。我们进行了第一个敌对鲁棒性研究，针对比传统的消息传递神经网络（MPNNs）更强大的图神经网络（GNNs）。具体而言，我们使用敌对鲁棒性作为一种工具，揭示了它们在理论上可能的表达能力与实际达到的表达能力之间的显著差距，并针对 GNNs 计算特定子图模式的能力，这是一种已建立的表达能力度量，将敌对鲁棒性的概念扩展到了该任务上。基于此，我们开发了有效的对抗攻击子图计数，并表明更强大的 GNNs...
本文研究了图神经网络（GNNs）的敌对鲁棒性问题，发现GNNs在表达能力和实际应用中存在差距，对轻微扰动不敏感，无法处理超出分布的图上的子结构。
