论图表示学习的安全性

图表示学习 (GRL) 已经从纯拓扑图嵌入发展到特定于任务的监督 GNN，最近又发展到可重用表示和图基础模型 (GFM)。然而，现有的评估主要衡量清洁转移、适应和任务覆盖率。当部署压力影响图信号、图上下文、标签支持、结构组或预测证据时，GRL 方法是否仍然可靠仍不清楚。我们推出 GRL-Safety，这是 GRL 的多轴安全评估基准。 GRL-Safety 在标准化评估条件下在 25 个图数据集上评估 12 种代表性方法，涵盖仅拓扑嵌入方法、监督 GNN、自监督图模型和 GFM，同时保留方法本机适应性。评估涵盖五个安全轴：腐败鲁棒性、OOD 泛化、类别不平衡、公平性和解释，并提供每轴和子条件报告，而不是单个总分。我们的分析产生了三个跨轴见解，可以激发未来的研究。首先，安全行为是由表示设计和受压图因子之间的相互作用决定的，而不是仅由方法族决定。其次，基础时代的方法显示了轴特定的优势，而不是广泛的安全优势。第三，即使对于最好的评估方法来说，一些部署机制仍然很困难，这揭示了能力差距，需要模型选择之外的新的稳健性、适应性或训练目标。基准测试、评估协议和代码可从以下网址获取：https://github.com/GXG-CS/GRL-Safety。