論文の概要: GJDNet: Robust Graph Neural Networks via Joint Disentangled Learning Against Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2606.01560v1
• Date: Mon, 01 Jun 2026 02:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.8653
• Title: GJDNet: Robust Graph Neural Networks via Joint Disentangled Learning Against Adversarial Attacks
• Title（参考訳）: GJDNet: 対向攻撃に対する連関学習によるロバストグラフニューラルネットワーク
• Authors: Canyixing Cui, Tao Wu, Xingping Xian, Xiao-Ke Xu, Mao Wang, Weina Niu,
• Abstract要約: グラフニューラルネットワーク(GNN)は、非競合エッジを導入することで本質的に接続パターンを反転させる敵攻撃に対して脆弱である。 本稿では,グラフ・コンジョイント・ディスタングルメント・ネットワーク(GJDNet)を提案する。
• 参考スコア（独自算出の注目度）: 5.871974743871104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are vulnerable to adversarial attacks, which inherently invert connectivity patterns by introducing disassortative edges in assortative graphs and assortative edges in disassortative graphs. This structural inversion creates structure-feature mismatches that disrupt neighborhood aggregation across different graph types. However, we find that existing defenses are limited, as they either treat neighborhoods as monolithic under fixed assortativity assumptions or rely on standard softmax classifiers that fail to account for perturbation-induced representation shifts. To further exploit this observation, we adopt a robustness perspective that jointly disentangles node representations and decision spaces, isolating perturbation effects while enforcing well-separated decision regions. Based on this principle, we propose Graph Joint Disentanglement Network (GJDNet), a unified framework for robust node classification across diverse graph assortativity regimes. GJDNet enhances robustness at both representation and decision levels: it employs feature-driven soft structural disentanglement with skewness-aware neighbor filtering to suppress perturbation-induced structure-feature mismatches, and introduces a Spherical Decision Boundary (SDB) to promote intra-class compactness and inter-class separation in the embedding space, thereby stabilizing decision boundaries under perturbations. Theoretical analysis provides insights into the effectiveness of the proposed disentangled representation and decision mechanisms, while extensive experiments demonstrate that GJDNet consistently achieves strong robustness across graphs with different connectivity regimes.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、非競合的な攻撃に対して脆弱である。これは本質的に、非競合的なグラフに非競合的なエッジを導入し、非競合的なグラフに代替的なエッジを導入することで接続パターンを反転させる。 この構造的逆転は、異なるグラフタイプにわたる近傍の凝集を妨害する構造的特徴的ミスマッチを生成する。 しかし, 既往の防御は限定的であり, 地域を固定された随伴性仮定の下でモノリシックなものとして扱うか, あるいは摂動による表現シフトを考慮できない標準ソフトマックス分類器に頼るかのいずれかである。 この観測をさらに活用するために、我々は、ノード表現と決定空間を連係し、よく区切られた決定領域を強制しながら摂動効果を分離するロバストネスの観点を採用する。 この原理に基づいて,多種多様なグラフ・アソータティビティ・レシスタンスにまたがるロバストノード分類のための統一フレームワークであるグラフジョイント・ディスタングルメント・ネットワーク(GJDNet)を提案する。 GJDNetは、特徴駆動型ソフトな構造的ゆがみと、歪みを意識した隣り合うフィルタリングを用いて、摂動による構造的ミスマッチを抑制するとともに、球状決定境界(SDB)を導入して、埋め込み空間におけるクラス内コンパクト性とクラス間分離を促進し、摂動による決定境界を安定化する。 理論的解析は、提案された不整合表現と決定機構の有効性についての洞察を与える一方、GJDNetは、異なる接続構造を持つグラフ間で一貫して強い堅牢性を達成していることを示す広範な実験である。

関連論文リスト

• Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses [1.066048003460524]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ学習の主流パラダイムとして浮上している。 本研究では, グラフの有害成分を明確に識別し, 除去するために, 対向的ロバストネス評価を利用するプルーニングフレームワークを提案する。 頑健性スコアをガイダンスとして使用することにより,モデルの信頼性を低下させる可能性が最も高いエッジを選択的にプーンし,よりクリーンでレジリエントなグラフ表現が得られる。
  論文  参考訳（メタデータ） (2025-11-29T20:15:54Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations [6.894071825948456]
  我々は,ノード分類タスクとグラフ分類タスクの両方に対して,対実的な説明を生成する新しいGNN説明器であるCOMBINEXを提案する。 構造的および特徴に基づく変更を独立に扱う従来の方法とは異なり、COMBINEXはエッジとノードの特徴への修正を最適にバランスする。 この統一されたアプローチは、モデルの予測を反転させるために必要な最小限かつ効果的な変更を保証し、現実的で解釈可能な反事実をもたらす。
  論文  参考訳（メタデータ） (2025-02-14T12:17:24Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Implicit vs Unfolded Graph Neural Networks [29.803948965931212]
  暗黙的かつ展開的なGNNは、異なる規則間で強いノード分類精度が得られることを示す。 IGNNはメモリ効率がかなり高いが、UGNNモデルはユニークで統合されたグラフアテンション機構と伝搬規則をサポートしている。
  論文  参考訳（メタデータ） (2021-11-12T07:49:16Z)
• Adversarial Graph Disentanglement [47.27978741175575]
  実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。 グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
  論文  参考訳（メタデータ） (2021-03-12T14:11:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。