多图神经网络抵御结构攻击的对抗训练框架

01 摘要

事实：论文提出了基于节点-边关联矩阵的结构攻击与对抗训练框架，适配投影梯度下降和投影随机块坐标下降方法，并引入惩罚有向2环和3环全局计数变化的循环正则项。在合成模式检测和真实反洗钱数据集上，学习到的攻击比不可学习的扰动基线更能降低检测性能（PR-AUC），对抗训练则持续提升鲁棒性。作者观点：多图神经网络对学习到的结构攻击存在脆弱性，对抗训练是一种有效防御手段。

02 关键点

1. 提出首个面向多图神经网络的可扩展结构攻击与对抗训练框架，基于节点-边关联矩阵优化扰动。
2. 引入循环正则项惩罚有向2环和3环全局计数的变化，作为攻击合理性的结构度量。
3. 实验显示学习到的攻击显著降低PR-AUC，对抗训练能持续提升模型鲁棒性。