Graph Agent Network

标题：图智能体网络：赋予节点推理能力以提升对抗鲁棒性

ChatGPT5.1点评：本篇论文作者提出的思路非常不一样：别再让一个大模型统治整张图，而是把每个节点变成一个“小智能体（agent）”，只看 1-hop 邻居，通过分布式交互逐步学到“全局感知”和分类能力

发表日期：2023-01-12

摘要：全局优化的端到端训练已经普及了用于节点分类的图神经网络（GNN），但无意中引入了对抗性边缘扰动攻击的漏洞。对手可以利用GNN输入和输出的固有开放接口，扰乱关键边缘，从而操纵分类结果。当前的防御由于持续使用基于全局优化的端到端训练方案，固有地封装了GNN的漏洞。这具体表现在他们无法抵御有针对性的二次攻击。本文提出了图形代理网络（GAgN）来解决GNN的上述漏洞。GAgN是一个图结构的代理网络，其中每个节点都被设计为一个单视图代理。通过代理之间的分散交互，它们可以学习推断全局感知以执行任务，包括推断给定节点的嵌入、程度和邻居关系。这使节点能够在执行分类任务时过滤对抗边缘。此外，代理的有限视图可以防止恶意消息在GAgN中全局传播，从而抵抗基于全局优化的二次攻击。我们证明了单隐层多层感知器（MLP）在理论上足以实现这些功能。实验结果表明，GAgN有效地实现了其所有预期功能，与最先进的防御措施相比，在受干扰的数据集上实现了最佳的分类精度。

论文地址：https://arxiv.org/abs/2306.06909