近日，北京邮电大学团队和配合者初度探索了大模子在图抗争鲁棒性上的后劲。此外，盘问团队也试验考证了现存皆集大模子的图神经网罗（GNNs，Graph Neural Networks）在面临抗争抨击时的脆弱性。

盘问中，他们建议了基于大模子的鲁棒图结构估计框架 LLM4RGNN，该框架期骗大模子来增强 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。

通过广漠试验，盘问团队发现 LLM4RGNN 面临拓扑抨击时一致地提高了各式 GNNs 的鲁棒性。即使在扰动率高达 40% 的一些情况下，聘任 LLM4RGNN 的 GNNs 的准确率以致优于在干净图上的说明。

盘问团队期骗 GPT-4 构建了一个开源请示数据集，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淘气大模子，使其具备 GPT-4 的鲁棒图结构推理能力。

据了解，本盘问的配景源于 GNNs 在抗争抨击下的脆弱性，以及连年来大模子在深度学习限制的普通应用。近来年，GNNs 因其广大的暗意学习能力，在搪塞网罗分析、生物信息学、推选系统和金融风控等限制取得普通应用。但是，GNNs 在抗争抨击下的脆弱性截至了其内容部署的安全性和可靠性。由于 GNNs 依赖图结构进行信息传播，抨击者不错通过一丝删改图结构（如添加或删除边）显耀裁汰模子分类准确率，从而威逼到模子的褂讪性和泛化能力。

现存的退避顺序要么依赖模子架构野心，要么基于启发式规矩开发图结构，但退避效用有限。与此同期，盘问团队见证了以 ChatGPT 为代表的大模子的显耀收效，这使得好多东谈主启动探索大模子在 GNNs 限制的后劲。但是，现存盘问主要聚焦于通过大模子提高节点特征，从而雠校 GNNs 的性能。因此，盘问团队想知谈大模子广大的交融和推理能力能否相同提高 GNNs 的鲁棒性？通过试验不雅察，盘问团队发现尽管大模子照实不错在一定进度上提高 GNNs 的鲁棒性，但在面临拓扑抨击时，GNNs 的准确率仍然平均着落了 23.1%，这标明 GNNs 在拓扑抨击下仍是颠倒脆弱。因此，他们进一步念念考了这一问题：奈何推广大模子在图抗争鲁棒性上的能力？酬劳这一问题不仅有助于探索大模子在图限制的后劲，还能为图抗争鲁棒性问题提供新的盘问视角。

基于此，他们开展了本次盘问，并通过实考讲解了 LLM4RGNN 在不同 GNNs 结构和抨击类型下的有用性。尤其值得关爱的是，LLM4RGNN 在某些情况下以致大致高出原始干净图的性能。

在应用出路上：

领先，在金融风控与诈骗检测方面，抨击者可能通过伪造交游关系来遁入反诈骗模子，而 LLM4RGNN 大致还原受抨击的交游网罗，确保金融风控模子在受抨击时仍能正常责任，从而裁汰金融诈骗风险。

其次，在搪塞网罗安全方面，抨击者可能通过把持好友关系来滋扰搪塞媒体平台的内容推选或热门话题趋势，LLM4RGNN 大致识别并开发被抨击的搪塞网罗结构，从而提高用户数据的真正度和平台的安全性。

再次，在推选系统方面，用户-物品交互图频频受到数据混浊（如造作评分、僵尸用户把持），LLM4RGNN 不错匡助推选系统检测并开发被抨击的用户-物品关系，从而贯注坏心把持的滋扰，提高推选的平正性和真正度。

日前，关系论文以《大模子能否提高图神经网罗的抗争鲁棒性？》（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