基于核复杂度的无需训练的防御方法

arxiv，《KCES: Training-Free Defense for Robust Graph Neural Networks via Kernel Complexity》

算法

（没有找到附录。）

然后有：

我们可以可以移除具有较高 KC 得分的边，以确保图神经网络（GNN）的性能。

最终伪代码为：

实验

并和RGCN、ProGNN、GNN-SVD 、GNN-Jaccard、GNNGuard 相比都是SOTA。

模型有点太老了。

缺点

首先，它主要关注结构扰动，意味着它本身并不针对结点特征的对抗攻击。

其次，作为一种边净化技术，KCES 不直接适用于本质上以边为中心的基于图形的任务。

第三，尽管其实现与模型无关，但KCES 的理论基础依赖于 GNN 特有的假设。故只能用于GNN。