RGDM: modello robusto di diffusione su grafi

Abstract degli autori

I modelli di diffusione sono una potente classe di modelli generativi, nota per le solide basi teoriche e le prestazioni notevoli in compiti e ambiti diversi. I metodi di diffusione esistenti a livello di nodo sintetizzano nodi e archi all’interno di un grafo, ma non sono progettati per apprendere un generatore robusto a partire da grafi corrotti da attacchi avversari. In questo studio presentiamo il Robust Graph Diffusion Model (RGDM), progettato per generare strutture di grafo sintetiche etichettate, composte da nodi e archi, che si integrano perfettamente in un grafo dato. L’RGDM è composto da un Robust Graph Autoencoder (RGAE) e da un Latent Diffusion Model (LDM). Grazie a un meccanismo di selezione degli archi e a un’innovativa regolarizzazione a basso rango applicata alla feature latente, l’RGDM produce strutture di grafo sintetiche pulite e di alta qualità, anche quando viene addestrato su grafi soggetti ad attacchi avversari. Valutazioni sperimentali approfondite mostrano che le reti neurali a grafo (GNNs) addestrate sul grafo aumentato — ottenuto unendo il grafo originale attaccato alle strutture di grafo sintetiche — presentano una robustezza significativamente maggiore contro diversi attacchi avversari ai grafi, nel contesto della classificazione semisupervisionata dei nodi. Il codice dell’RGDM è disponibile all’indirizzo https://github.com/Statistical-Deep-Learning/RGDM.