通过分类复杂性缓解的稳健图压缩

于红博

摘要: 图形浓缩（GC）因其能够合成更小但信息丰富的图形而引起了广泛关注。然而，现有研究往往忽视了GC在原始图形被破坏的情况下的稳健性。在这种情况下，我们观察到GC的性能显著下降，而现有的稳健图形学习技术仅具有有限的有效性。通过实证调查和理论分析，我们揭示了GC本质上是一种固有的降维过程，合成具有较低分类复杂度的浓缩图形。尽管这种特性对于有效的GC性能至关重要，但它仍然极其容易受到对抗性扰动的影响。为了解决这种脆弱性并提高GC的稳健性，我们采用图形数据流形的几何视角，提出了一种名为MRGC的新型流形约束稳健图形浓缩框架。具体来说，我们引入了三个图形数据流形学习模块，指导浓缩图形保持在一个平滑、低维度的流形中，最小化类别模糊性，从而保留GC的分类复杂度降低能力，并确保在普遍对抗性攻击下的稳健性能。大量实验证明了\ModelName\在各种攻击场景下的稳健性。

更新时间: 2025-10-30 12:55:21

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2510.26451v1