KDD25 | 大语言模型能否提高图神经网络的对抗鲁棒性？

文章预览

Can Large Language Models Improve the Adversarial Robustness of Graph NeuralNetworks? 作者： 张中健，王啸，周辉池，于越，张梦玫，杨成，石川 单位： 北京邮电大学，北京航空航天大学，帝国理工学院，中国电信翼支付 摘要： 图神经网络（Graph Neural Networks, GNNs）对对抗攻击，尤其是针对图结构的扰动，具有较高的脆弱性。近年来，许多增强GNNs鲁棒性的方法得到了广泛关注。同时，我们也见证了大语言模型（Large Language Models, LLMs）的显著成功，这使得许多人开始探索LLMs在GNNs领域的潜力。然而，现有研究主要聚焦于通过LLMs提升节点特征，从而改进GNNs的性能。因此，我们提出一个问题： LLMs强大的理解和推理能力能否同样提升GNNs的鲁棒性？ 通过实证结果，我们发现尽管LLMs确实可以在一定程度上提高GNNs的鲁棒性，但在面对拓扑攻击时，GNNs的准确率仍然平均下降了23 ………………………………