详情

近日，北京邮电大学团队和合营者初度探索了大模子在图招架鲁棒性上的后劲。此外开云kaiyun官方网站，相关团队也施行考证了现存连合大模子的图神经收集（GNNs，Graph Neural Networks）在靠近招架袭击时的脆弱性。

相关中，他们建议了基于大模子的鲁棒图结构臆测框架 LLM4RGNN，该框架诳骗大模子来增强 GNNs 的鲁棒性。此外，LLM4RGNN 是一个通用框架，适用于不同的大模子和 GNNs。

通过渊博施行，相关团队发现 LLM4RGNN 靠近拓扑袭击时一致地提高了多样 GNNs 的鲁棒性。即使在扰动率高达 40% 的一些情况下，继承 LLM4RGNN 的 GNNs 的准确率致使优于在干净图上的清楚。

相关团队诳骗 GPT-4 构建了一个开源辅导数据集，包括 GPT-4 对 26,518 条边的坏心肠评估及分析。该数据集可用于微调恣意大模子，使其具备 GPT-4 的鲁棒图结构推理能力。

据了解，本相关的配景源于 GNNs 在招架袭击下的脆弱性，以及比年来大模子在深度学习限度的等闲应用。近来年，GNNs 因其宏大的示意学习能力，在应对收集分析、生物信息学、推选系统和金融风控等限度获得等闲应用。然则，GNNs 在招架袭击下的脆弱性结果了其实质部署的安全性和可靠性。由于 GNNs 依赖图结构进行信息传播，袭击者不错通过小数蜕变图结构（如添加或删除边）权贵缩短模子分类准确率，从而要挟到模子的踏实性和泛化能力。

现存的贯注尺度要么依赖模子架构蓄意，要么基于启发式规章成就图结构，但贯注后果有限。与此同期，相关团队见证了以 ChatGPT 为代表的大模子的权贵告成，这使得好多东说念主启动探索大模子在 GNNs 限度的后劲。然则，现存相关主要聚焦于通过大模子莳植节点特征，从而矫正 GNNs 的性能。因此，相关团队想知说念大模子宏大的邻接和推理能力能否一样莳植 GNNs 的鲁棒性？通过施行不雅察，相关团队发现尽管大模子如实不错在一定进度上提高 GNNs 的鲁棒性，但在靠近拓扑袭击时，GNNs 的准确率仍然平均下落了 23.1%，这标明 GNNs 在拓扑袭击下如故终点脆弱。因此，他们进一步想考了这一问题：怎样彭胀大模子在图招架鲁棒性上的能力？复兴这一问题不仅有助于探索大模子在图限度的后劲，还能为图招架鲁棒性问题提供新的相关视角。

基于此，他们开展了本次相关，并通过实考讲解了 LLM4RGNN 在不同 GNNs 结构和袭击类型下的有用性。尤其值得存眷的是，LLM4RGNN 在某些情况下致使或者越过原始干净图的性能。

在应用远景上：

最初，在金融风控与欺骗检测方面，袭击者可能通过伪造来去关系来秘密反欺骗模子，而 LLM4RGNN 或者归附受袭击的来去收集，确保金融风控模子在受袭击时仍能平时使命，从而缩短金融欺骗风险。

其次，在应对收集安全方面，袭击者可能通过旁边好友关系来干预应对媒体平台的内容推选或热门话题趋势，LLM4RGNN 或者识别并成就被袭击的应对收集合构，从而提高用户数据简直凿度和平台的安全性。

再次，在推选系统方面，用户-物品交互图频繁受到数据混浊（如造作评分、僵尸用户旁边），LLM4RGNN 不错匡助推选系统检测并成就被袭击的用户-物品关系，从而防护坏心旁边的干预，提高推选的公正性和确凿度。

日前，关联论文以《大模子能否提高图神经收集的招架鲁棒性？》（Can Large Language Models Improve the Adversarial Robustness of Graph Neural Networks?）为题发表在 2025 海外学问发现与数据挖掘大会（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）[1]。

参考贵府：

1.https://arxiv.org/pdf/2408.08685

运营/排版：何晨龙