针对标签投毒下鲁棒图神经网络的对比对抗训练

图神经网络（GNNs）在关系数据建模方面表现出色，但容易受到标签投毒的影响：少量被篡改的训练标签可能通过消息传递在图中传播错误。尽管存在这一风险，针对标签投毒的防御研究仍不充分：现有方法主要针对标签噪声设计，通常依赖鲁棒损失或启发式数据清洗，难以区分对抗性投毒与自然产生的困难样本。在本文中，我们提出 CoLAT（Contrastive Label-flipping for Adversarial Training），一种专为图上的鲁棒节点分类设计的新型对比对抗训练框架。该方法的核心是一个结构感知检测模型，利用对比学习识别标签与结构之间的不一致性。不同于以表征学习为重点的既有对比方法，CoLAT 利用对比嵌入筛选高风险节点，并在训练过程中引导对抗性标签翻转。这种交替优化不仅能够执行结构感知的对抗训练，还能隐式清理部分被篡改的标签，从而提升对文献中多种攻击的鲁棒性。在多个基准数据集上的大量实验表明，在不同投毒强度下，CoLAT 始终优于现有防御方法，同时能够高效扩展至大规模图。