Neues GNN-Framework: Lyapunov-stabile Graph Neural Flow schützt vor Angriffen

Graph Neural Networks (GNNs) sind bislang stark anfällig für gezielte Störungen in ihrer Topologie und ihren Merkmalen. Ein neu veröffentlichter Ansatz verbindet GNNs mit Prinzipien der Kontrolltheorie und führt ein robustes Verteidigungsframework ein, das auf ganzzahligen und fraktionalen Lyapunov-Stabilität basiert.

Im Kern des Ansatzes steht eine adaptive, lernbare Lyapunov-Funktion zusammen mit einer innovativen Projektionstechnik, die den Zustand des Netzwerks in einen stabilen Raum überführt. Diese Methode beschränkt die Update-Dynamik der Features intrinsisch, ohne auf ressourcenintensive Adversarial‑Training‑Methoden oder Datenbereinigung angewiesen zu sein. Gleichzeitig lässt sich das Verfahren problemlos mit bestehenden Verteidigungsstrategien kombinieren, um eine kumulative Robustheit zu erzielen.

Umfangreiche Experimente zeigen, dass die Lyapunov-stabilen Graph Neural Flows die Basis‑GNNs und aktuelle Spitzenmodelle in Standard‑Benchmarks sowie bei verschiedenen Angriffsvarianten deutlich übertreffen. Der Ansatz liefert theoretisch belegbare Stabilitätssicherheiten und eröffnet damit neue Perspektiven für die sichere Anwendung von GNNs in kritischen Bereichen.