【牛津大学博士论文】图机器学习的鲁棒性分析

来源：专知本文约2300字，建议阅读5分钟在这篇论文中，我们专注于基于图的机器学习模型的鲁棒性属性，特别是谱图滤波器和图神经网络。基于图的机器学习是一种新兴的数据分析方法，适用于可以通过实体之间的成对关系很好地建模的数据。这包括社交网络、道路网络、蛋白质-蛋白质相互作用网络和分子等示例。尽管大量研究致力于设计新型机器学习模型，但对我们现有工具的理论属性的关注较少。在这篇论文中，我们专注于基于图的机器学习模型的鲁棒性属性，特别是谱图滤波器和图神经网络。鲁棒性是处理噪声数据、保护系统免受安全漏洞的侵害以及在某些情况下，对可迁移性等方面至关重要的属性。我们特别关注与基础图的拓扑结构相关的鲁棒性这一具有挑战性和组合性的问题。论文的第一部分提出了稳定性界限，以帮助理解基于图的 ………………………………