近日，2021级硕士生荚亚宁（导师王虹飞副研究员）的论文“Enhancing Node-Level Adversarial Defenses by Lipschitz Regularization of Graph Neural Networks”被数据挖掘顶会ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD 2023） 录用。

论文从理论角度分析了图神经网络的稳定性，提出了一种衡量图神经网络鲁棒性的标准，图神经网络的Lipschitz常数。图神经网络Lipschitz常数求解是一个NP-Hard问题，论文给出了常见图神经网络GCN（Graph Neural Networks）、GAT（Graph Attention Networks）与GraphSage（Graph SAmple and aggreGatE）的Lipschitz常数的一个边界，通过约束Lipschitz边界从而可以约束其真实的Lipschitz常数。论文中验证了约束Lipschitz常数的鲁棒性应用，包括常见的高斯噪声和图对抗攻击，发现了将图神经网路的Lipschitz边界约束在一定范围内，可以显著提升网络的鲁棒性，减少高斯噪声和对抗攻击对于模型性能的影响。即使相对于当前常用的对抗防御方法，在许多情况下也能达到state-of-the-art的性能。相对于其他对抗防御方法，论文提出的方法更加高效简便，仅通过在模型训练阶段添加一个Lipschitz边界的约束项，可以很好地与现有的防御方法进行结合，提供了一个即插即用的模块。实验验证了与Lipschitz约束结合后的方法可以进一步提升其原本的性能，超越先前可以达到的state-of-the-art的性能，使得模型获取更好的鲁棒性。

KDD是数据挖掘人工智能研究领域的顶级会议，也是中国计算机学会（CCF）推荐的A类会议，H5指数88，Impact Score 13.53，在全球范围内享有盛誉。该会议一直被认为是难度最高，工作量最大，审稿质量最好的数据挖掘领域会议之一。此次KDD 2023会议投稿量1413，中稿313，录用率约为22.15%。

（通讯员：荚亚宁）