Robust Graph Convolutional Networks for Adversarial Resilience and Anomaly Detection
Notice bibliographique
Résumé
Adversarial attacks and anomaly detection are closely related, both focusing on identifying irregularities that deviate from normal patterns across various data types, including graph-structured data. Adversarial attacks on graphs pose a significant threat to graph convolutional networks (GCNs), involving intentional manipulation of graph data to mislead GCNs into making incorrect predictions. Standard GCNs, while powerful, often exhibit vulnerabilities to adversarial attacks that can significantly degrade their performance in anomaly detection tasks. These networks also have inherent limitations, such as their inability to effectively consider higher-order neighbour information, restricting their capacity to capture the full context of a node within the graph. To address these challenges, this thesis introduces an iterative graph filtering framework, which builds upon the graph signal processing concept of iteratively solving graph filtering using the fixed-point iterative method. The proposed framework is designed to enhance resilience against adversarial attacks while improving anomaly detection capabilities. The thesis makes two main contributions: a flexible spectral modulation filter that selectively attenuates high-frequency components of graph signals; and a robust aggregation mechanism that efficiently captures information from higher-order node neighbors, expanding the networks receptive field without increasing computational complexity. Extensive experiments are conducted on benchmark datasets to evaluate the effectiveness of the proposed methods. The results demonstrate significant improvements in anomaly detection accuracy and adversarial robustness compared to strong baselines. This highlights the potential of the proposed framework for reliable graph-based downstream tasks, paving the way for robust GCNs that can handle the complexities and adversarial threats inherent in real-world applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».