그래프에서 비지도 적대적 강건 표현 학습

비지도/자기 지도 그래프 표현 학습을 위한 사전 훈련 방법은 최근 연구 관심을 끌고 있으며, 다양한 하위 응용 프로그램에 일반화할 수 있는 것으로 나타났습니다. 그러나 이러한 사전 훈련된 그래프 학습 모델의 적대적 강건성은 대부분 탐색되지 않았습니다. 더 중요한 것은, 엔드 투 엔드 그래프 표현 학습 방법을 위해 설계된 기존 방어 기술의 대부분이 미리 정의된 레이블 정의를 요구하므로, 사전 훈련 방법에 직접 적용할 수 없습니다. 본 논문에서는 사전 훈련된 깊은 그래프 모델을 강건화하기 위한 비지도 방어 기술을 제안하여, 모델이 다양한 하위 작업에 적용되기 전에 입력 그래프의 섭동을 성공적으로 식별하고 차단할 수 있도록 합니다. 구체적으로, 우리는 그래프 인코더의 표현 공간에서 강건성을 정량화하기 위해 상호 정보 기반 측정인 그래프 표현 취약성(GRV)을 도입합니다. 그런 다음 그래프 인코더의 표현력과 강건성(GRV) 사이의 균형을 신중하게 조정하여 그래프 표현을 학습하는 최적화 문제를 공식화합니다. 그래프 토폴로지의 이산적 성격과 그래프 데이터의 결합 공간으로 인해 최적화 문제를 해결하는 것이 불가능해집니다. 이러한 어려움을 처리하고 계산 비용을 줄이기 위해 문제를 더 완화하고 따라서 근사 솔루션을 제공합니다. 또한 비지도 그래프 인코더의 강건성과 하위 작업 모델의 강건성 간의 증명 가능한 연결을 탐구합니다. 광범위한 실험 결과에 따르면 레이블과 작업에 접근할 수 없더라도, 우리의 모델은 기존 방법과 비교하여 세 가지 하위 작업(노드 분류, 링크 예측 및 커뮤니티 탐지)에서 적대적 공격에 대한 강건성을 평균 +16.5% 향상시킬 수 있음을 보여줍니다.