标签投毒下鲁棒图神经网络的对比对抗训练

基于摘要分析。本文研究图节点分类中的标签投毒：少量被篡改的训练标签可能通过 GNN 的消息传递传播错误。作者提出 CoLAT（Contrastive Label-flipping for Adversarial Training），利用对比学习检测标签与图结构的不一致性，并以高风险节点引导训练中的对抗标签翻转。 机制上，CoLAT 将结构感知检测与对抗训练交替优化。与主要用于表征学习的对比方法不同，其对比嵌入承担高风险节点筛选功能；作者称，该过程还能隐式净化部分受污染标签。摘要将其与针对一般标签噪声的鲁棒损失、启发式数据清洗相区分，但检测目标、标签翻转约束、优化细节及净化判据尚未验证。 作者报告，在多个基准和不同投毒强度下，CoLAT 优于现有防御，并能高效扩展到大图；摘要未给出基准名称、划分、攻击者权限、指标或具体数值，实验协议、消融及统计信息尚未验证。复现需重点核对图结构本身是否可信、标签与邻域结构不一致如何区别于自然困难节点，以及检测和训练的额外开销。 平台推测（待验证）：若 EEG 数据被构造成以试次为节点、以信号相似性为边的分类图，该机制可能用于研究训练标签污染，而非直接解决 EEG 信号噪声。可复用部分是风险筛选与对抗标签翻转，需改造图构建及标签—结构一致性判据；低信噪比、跨被试差异、通道差异及小样本可能使有效困难样本被误判。一个可检验的小实验是在固定被试内划分与图构建规则下，仅污染训练标签，分别设置随机翻转和定向翻转，对照基础 GNN、鲁棒损失及 CoLAT，并同时检查未污染条件下的性能与误检情况。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。