ترجمه فارسی مقاله آیا مدل های بزرگ زبانی می توانند استحکام مخالف شبکه های عصبی نمودار را بهبود بخشند؟

چکیده

Graph neural networks (GNNs) are vulnerable to adversarial perturbations, especially for topology attacks, and many methods that improve the robustness of GNNs have received considerable attention. Recently, we have witnessed the significant success of large language models (LLMs), leading many to explore the great potential of LLMs on GNNs. However, they mainly focus on improving the performance of GNNs by utilizing LLMs to enhance the node features. Therefore, we ask: Will the robustness of GNNs also be enhanced with the powerful understanding and inference capabilities of LLMs? By presenting the empirical results, we find that despite that LLMs can improve the robustness of GNNs, there is still an average decrease of 23.1% in accuracy, implying that the GNNs remain extremely vulnerable against topology attack. Therefore, another question is how to extend the capabilities of LLMs on graph adversarial robustness. In this paper, we propose an LLM-based robust graph structure inference framework, LLM4RGNN, which distills the inference capabilities of GPT-4 into a local LLM for identifying malicious edges and an LM-based edge predictor for finding missing important edges, so as to recover a robust graph structure. Extensive experiments demonstrate that LLM4RGNN consistently improves the robustness across various GNNs. Even in some cases where the perturbation ratio increases to 40%, the accuracy of GNNs is still better than that on the clean graph.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) در برابر آشفتگی های مخالف ، به ویژه برای حملات توپولوژی آسیب پذیر هستند و روشهای بسیاری که باعث بهبود استحکام GNN ها می شوند ، توجه قابل توجهی را به خود جلب کرده اند.به تازگی ، ما شاهد موفقیت چشمگیر مدل های بزرگ زبان (LLMS) بوده ایم و بسیاری را به سمت کشف پتانسیل عالی LLM در GNN ها سوق می دهد.با این حال ، آنها عمدتاً بر بهبود عملکرد GNN با استفاده از LLMS برای تقویت ویژگی های گره تمرکز می کنند.بنابراین ، ما می پرسیم: آیا استحکام GNN ها با درک قدرتمند و استنباط LLMS نیز تقویت می شود؟با ارائه نتایج تجربی ، می فهمیم که با وجود این که LLM ها می توانند استحکام GNN ها را بهبود بخشند ، هنوز هم به طور متوسط ​​23.1 ٪ در دقت کاهش می یابد و این بدان معنی است که GNN ها در برابر حمله توپولوژی بسیار آسیب پذیر هستند.بنابراین ، سؤال دیگر این است که چگونه می توان قابلیت های LLMS را در استحکام مخالف نمودار گسترش داد.در این مقاله ، ما یک چارچوب استنتاج ساختار نمودار قوی مبتنی بر LLM ، LLM4RGNN را پیشنهاد می کنیم ، که قابلیت های استنتاج GPT-4 را به LLM محلی برای شناسایی لبه های مخرب و یک پیش بینی Edge مبتنی بر LM برای یافتن لبه های مهم از دست رفته ، تقطیر می کند.برای بازیابی یک ساختار نمودار قوی.آزمایش های گسترده نشان می دهد که llm4rgnn به طور مداوم استحکام را در GNN های مختلف بهبود می بخشد.حتی در بعضی موارد که نسبت آشفتگی به 40 ٪ افزایش می یابد ، صحت GNN ها هنوز هم بهتر از نمودار تمیز است.