我院网络空间安全工程研究中心“基于解耦表征的图模型域适应微调与对抗防御”

本网讯（图/文 张澳）为深化科研团队内部学术交流，推动跨领域技术协同创新，近日，计算机与物联网学院网络空间安全科研中心通过线上方式召开专题研讨会。会议聚焦图神经网络在跨域场景下的适应性与鲁棒性问题，提出了基于解耦表征的图模型域适应微调与对抗防御方案，为解决图模型跨域泛化能力弱、易受对抗攻击的痛点提供了新思路。刘逸琛老师作为核心主讲人，科研团队全体教师参加会议。

图神经网络（GNN）在节点分类、链路预测等任务中表现优异，但在实际应用中，跨域数据分布偏移、对抗样本攻击等问题严重制约其落地效果。传统域适应方法多依赖全局对齐，易丢失关键特征信息；而常规对抗防御手段往往以牺牲模型性能为代价换取鲁棒性，难以实现效率与安全的平衡。针对这一困境，本次研究以 “解耦表征” 为核心思路，将图数据的特征拆解为域无关的通用结构特征与域相关的私有属性特征，实现两类特征的独立优化。

在域适应微调环节，研究通过解耦表征学习，引导模型在保留通用特征提取能力的同时，针对目标域数据进行轻量级微调，大幅降低跨域场景下的性能衰减。实验结果表明，该方法在多个跨域图数据集上，节点分类准确率较传统方法提升 12%-18%，且微调过程的参数量仅为全量微调的 20%，显著降低了计算成本。

在对抗防御方面，基于解耦表征的模型能够有效分离对抗扰动的影响，将扰动主要限制在域相关特征维度中，同时强化通用特征的鲁棒性。面对梯度攻击、投毒攻击等常见对抗手段，该模型的防御成功率较基线模型提升 30% 以上，且防御过程中模型在干净样本上的性能损失控制在 5% 以内，实现了鲁棒性与有效性的协同优化。

本次研究的创新点在于，将解耦表征学习同时应用于域适应与对抗防御两大场景，构建了一套兼顾跨域泛化与安全防御的一体化框架。该方案不仅突破了传统方法中域适应与对抗防御割裂的局限，也为图模型在开放、复杂场景下的部署提供了可靠支撑。

后续研究将进一步优化解耦表征的学习效率，探索动态解耦机制以适配更复杂的多域场景，同时拓展该框架在知识图谱、社交网络分析等实际场景中的应用，推动图神经网络技术从实验室走向真实复杂环境。