通过基于层次聚类的方法提高图对比学习对对抗性攻击的鲁棒性

《Neural Networks》：Improving the Robustness of Graph Contrastive Learning against Adversarial Attacks via Hierarchical Medoid-based Contrasting

本研究分析图对比学习（GCL）的对抗鲁棒性，发现Deep Graph Infomax（DGI）因全局表示稳定而表现更优。通过理论分析和实验，提出FIRE-GCL方法，结合细粒度对比与高鲁棒全局表示，显著提升GCL在对抗攻击下的性能，验证其在节点分类、链接预测等任务的有效性。

　　
在图结构数据的自监督学习领域，图对比学习（GCL）因其独特的优势备受关注。然而，当面对精心设计的对抗攻击时，现有GCL方法普遍存在脆弱性问题。近期研究（Guerranti et al., 2023）发现，基于全局表示的Deep Graph Infomax（DGI）在对抗攻击下展现出显著优势，这引发了学界对GCL鲁棒性本质的思考。本文通过理论分析与实证研究，揭示了DGI的核心优势，并提出改进框架FIRE-GCL。

对抗攻击对图学习的威胁主要源于两种机制：一是通过恶意边注入混淆节点特征；二是破坏图结构的空间拓扑关系。传统GCL方法（如GraphCL、GCA）依赖节点间对比，当攻击者注入跨类连接时，会导致正负样本的混淆。例如在Cora数据集上，当20%的边被恶意替换后，GraphCL的准确率下降超过15%，而DGI仅下降5%。

DGI的鲁棒性源于其独特的正样本设计策略。该方法将整个图视为正样本，通过全局信息聚合生成稳定的图表示。这种设计使得局部对抗扰动无法有效破坏整体结构特征。理论分析表明，DGI的优化目标函数具有双重稳定性：在未受攻击时，能有效捕捉图的结构特征；当遭遇对抗攻击时，全局表示的方差变化幅度仅为节点级别的1/3。

基于此，本文提出FIRE-GCL框架，从三个维度进行改进：首先在对比层面，将全局对比细化为聚类级对比。通过将图划分为多个子图集群，每个集群独立进行细粒度特征对齐，既保留全局一致性又增强局部鲁棒性。其次在正样本设计上，引入可微软聚类中心聚合器，替代传统的均值池化。实验证明，软聚类中心对节点缺失的鲁棒性提升达40%。最后在对抗防御机制上，构建双层验证系统：初级过滤器通过特征相似度检测异常边，次级修正器利用集群间关联调整特征分布。

实验验证部分采用五组对照实验：基础GCL方法对比、对抗攻击模拟、修复效果评估、跨数据集泛化测试以及资源消耗分析。在Cora、Citeseer、PPI等六种图数据集上，FIRE-GCL在未受攻击时准确率提升8-12%，而在20%对抗攻击下，性能仅下降3-5%，显著优于DGI（下降8-10%）和GraphCL（下降12-15%）。特别是在医学PPI网络测试中，FIRE-GCL的AUC值达到0.93，相比基线模型提升9.2%。

研究还发现，现有GCL方法普遍存在两个缺陷：一是正样本选择依赖节点同质性，当攻击破坏这种同质性时（如恶意边连接不同类别节点），对比效果严重失效；二是全局表示的聚合方式（如均值池化）对节点扰动敏感。FIRE-GCL通过引入动态正样本选择机制，当检测到节点特征异常时（如与聚类中心距离超过阈值），自动切换为邻近集群的中心作为替代正样本，这种自适应机制使模型在多种攻击模式（边注入、节点删除、属性篡改）下保持稳定。

理论分析部分建立了GCL鲁棒性的数学框架，提出"全局-局部"双稳定性指标。该指标包含两个维度：在未受攻击时，全局表示与局部节点特征的相似度需达到0.85以上；当遭遇对抗攻击时，全局表示的扰动幅度应小于节点级扰动幅度的30%。通过构建对抗鲁棒性优化函数，FIRE-GCL在保持原有性能的同时，将鲁棒性指标从基线的0.72提升至0.89。

技术实现层面，FIRE-GCL包含四个核心模块：细粒度对比模块通过分层采样策略，在保持全局一致性的同时增强局部特征匹配；自适应正样本模块采用动态权重分配机制，当检测到特征污染时自动调整正样本选择策略；软聚类聚合器引入可微分损失函数，确保聚类中心在对抗扰动下的稳定性；双层防御机制则通过特征过滤层和损失调整层实现协同防护。

实际应用中发现，FIRE-GCL在医疗诊断场景中表现尤为突出。以蛋白质相互作用网络为例，当攻击者故意添加跨家族连接时，传统方法识别准确率骤降35%，而FIRE-GCL通过聚类级对比机制，仅损失8%的准确率。这种特性使得该模型特别适合生物医学、金融风控等需要长期稳定运行的应用场景。

未来研究将拓展至动态图环境，并探索联邦学习框架下的分布式鲁棒性增强策略。实验数据表明，FIRE-GCL的参数量与现有方法相当（增加约15%），训练速度提升20%，推理时延控制在5ms以内，符合工业级部署要求。

本研究为图对比学习的鲁棒性研究提供了新的方法论，其提出的动态正样本选择机制和软聚类聚合技术，已被多家机构应用于实际系统开发。特别是在智慧城市交通网络监测中，FIRE-GCL成功将异常检测准确率提升至98.7%，误报率降低至0.3%以下，显著优于传统图神经网络模型。