그래프 적대적 훈련: 그래프 구조에 기반한 동적 정규화

최근 노력들은 신경망이 시각적 분류 작업에서 입력 특징에 대한 작지만 의도적인 섭동에 취약하다는 것을 보여줍니다. 예제 간의 연결(예: 인용 링크가 있는 논문은 같은 클래스에 있는 경향이 있음)에 대한 추가 고려로 인해, 그래프 신경망은 연결된 예제의 섭동이 목표 예제에 미치는 영향을 악화시키기 때문에 섭동에 더 민감할 수 있습니다. 적대적 훈련(AT)은 입력 특징에 대한 최악의 섭동에 저항할 수 있는 동적 정규화 기술로, 모델의 강인성과 일반화를 개선하기 위한 유망한 선택입니다. 그러나 기존 AT 방법은 표준 분류에 중점을 두고 있어, 연결된 예제에서의 영향을 모델링하지 않기 때문에 그래프에서 모델을 훈련할 때 덜 효과적입니다. 본 연구에서는 그래프에서의 적대적 훈련을 탐구하여 그래프에서 학습된 모델의 강인성과 일반화를 개선하는 것을 목표로 합니다. 우리는 연결된 예제의 영향을 고려하여 섭동을 구성하고 저항하는 방법을 학습하는 그래프 적대적 훈련(GraphAT)을 제안합니다. 그래프 구조에 기반한 동적 정규화 방안으로 볼 수 있는 GraphAT의 일반적인 정식을 제공합니다. GraphAT의 유용성을 입증하기 위해 최첨단 그래프 신경망 모델인 그래프 합성곱 신경망(GCN)에서 이를 적용합니다. 두 개의 인용 그래프(Citeseer 및 Cora)와 지식 그래프(NELL)에서 실험을 수행하여 GCN의 노드 분류 정확도를 4.51% 향상시키는 GraphAT의 효과를 검증합니다. 코드는 다음을 통해 제공됩니다: https://github.com/fulifeng/GraphAT.