arXiv · cs.AI· Zhichao Hou, Xitong Zhang, Wei Wang, Charu C. Aggarwal, Xiaorui Liu·· 5 小时前
有向图图学习研究利用信任信号提升GNN鲁棒性
Harnessing Trust in Directed Graphs: Redefining Robustness of Graph Learning
arXiv:2306.02002v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zhichao Hou, Xitong Zhang, Wei Wang, Charu C. Aggarwal, Xiaorui Liu
研究任务与主要进展
研究者提出面向有向图GNN的鲁棒性攻击设置和可插拔消息传递防御框架，利用边方向编码的信任信号提升模型鲁棒性。基于论文摘要，该框架结合既有防御策略后，在迁移攻击和自适应攻击下取得了作者所称的先进鲁棒性能，并保持较强的干净准确率。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org