リャプノフ安定なグラフニューラルフロー

概要: グラフニューラルネットワーク（GNN）は、トポロジーと特徴の両方に対する敵対的摂動に極めて脆弱であり、頑健な表現を学ぶことを重大な課題としている。本研究では、グラフニューラルネットワーク（GNN）と制御理論を結合し、整数階および分数階リヤプノフ安定性に基づく新しい防御フレームワークを提案する。従来の、リソースを大量に要する敵対的トレーニングやデータ浄化に依存する戦略とは異なり、我々のアプローチはGNNの基盤となる特徴更新ダイナミクスを根本から制約する。適応的で学習可能なリヤプノフ関数と、ネットワークの状態を安定な空間へ写像する新しい射影機構を提案し、これにより理論的に証明可能な安定性保証を提供する。特筆すべきは、この機構が既存の防御と直交しており、敵対的トレーニングのような手法とシームレスに統合して累積的な頑健性を達成できる点である。広範な実験により、我々のリヤプノフ安定なグラフニューラルフローは、標準的なベンチマークおよびさまざまな敵対的攻撃シナリオにおいて、従来のニューラルフローや最先端のベースラインを大幅に上回ることを実証している。