来源：期刊VIP网 时间：
作者：林嘉君;冯丽;彭商濂;张文;
单位：成都信息工程大学计算机学院;
摘要：现有图神经网络（Graph Neural Networks,GNN）对抗防御多依赖对中毒图结构的净化，易破坏原始拓扑且在非攻击场景下出现性能退化。为解决此问题，本研究提出一种不改图结构的防御新方法，即节点级自适应特征稀疏防御策略——FeatGuard-Drop。首先，从GNN消息传递与特征聚合过程出发，通过自适应特征稀疏机制抑制低值、易受扰动影响的特征维度，优先保留对分类更关键的高值特征，从而阻断攻击在特征通道的传播。其次，依据节点特征的重要性与分布熵估计节点专属的稀疏强度。最后，通过低秩参数化学习可解释的特征权重矩阵，并施加平滑与稀疏正则，实现端到端联合优化。在Cora、CiteSeer、PubMed等公开数据集上的实验结果表明，本研究方法在干净图以及在不同扰动率与攻击类型下均维持较高准确率，实现了对中毒传播的有效阻断。
关键词：GNN;;对抗性攻击;;中毒攻击;;对抗防御;;特征稀疏
基金资助：国家社科基金(No.24XTQ005);; 四川省科技厅重点研发项目(No.2023YFG0144);; 四川省区域创新合作项目(No.2024YFHZ0086)
