[논문 리뷰] Lyapunov Stable Graph Neural Flow

Haoyu Chu, Xiaotong Chen외 5명|arXiv (Cornell University)|2026. 03. 13.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

Lyapunov 안정성 이론을 그래프 신경 흐름(정수 차 및 분수 차)과 결합하여 학습 가능한 Lyapunov 함수와 투사 메커니즘을 통해 적대적 교란에 대한 입증 가능한 강건성을 달성합니다. 이 접근법은 기존 방어와 직교적이며 adversarial training과 함께 결합될 수 있습니다.

ABSTRACT

Graph Neural Networks (GNNs) are highly vulnerable to adversarial perturbations in both topology and features, making the learning of robust representations a critical challenge. In this work, we bridge GNNs with control theory to introduce a novel defense framework grounded in integer- and fractional-order Lyapunov stability. Unlike conventional strategies that rely on resource-heavy adversarial training or data purification, our approach fundamentally constrains the underlying feature-update dynamics of the GNN. We propose an adaptive, learnable Lyapunov function paired with a novel projection mechanism that maps the network's state into a stable space, thereby offering theoretically provable stability guarantees. Notably, this mechanism is orthogonal to existing defenses, allowing for seamless integration with techniques like adversarial training to achieve cumulative robustness. Extensive experiments demonstrate that our Lyapunov-stable graph neural flows substantially outperform base neural flows and state-of-the-art baselines across standard benchmarks and various adversarial attack scenarios.

연구 동기 및 목표

• GNN의 토폴로지 및 특징 perturbation에 대한 강건성 동기 부여.
• Lyapunov 안정성과 그래프 신경 흐름 사이의 연결을 통해 이론적 보장을 제공.
• 안정성을 강제하는 학습 가능한 Lyapunov 함수와 투사(projection) 제안.
• 기존 방어(적대적 학습 포함)와의 호환성 확보.
• 다양한 데이터셋 및 공격 유형에 걸쳐 강건성 개선 시연.

제안 방법

• 노드 특징 업데이트를 정수 차 또는 분수 차 동적 시스템(ODEs/FDEs)으로 모델링.
• 안정성을 강제하는 학습 가능한 Lyapunov 함수 V를 ICNN으로 구현한 Lyapunov 안정성 모듈 도입.
• 정의된 투사 연산을 사용하여 기본 동역학을 Lyapunov-안정 공간에 투사.
• 안정성을 유지하면서 클래스 간 분리를 최대화하는 평형점 분리(Equilibrium-Separating) 분류층 포함.
• 지수적 안정성(정수 차) 및 Mittag-Leffler 안정성(분수 차)과 같은 이론적 보장 제공.
• 기저 역학으로서 여러 기본 동적 시스템(GRAND, GraphBel, GraphCON 및 그 분수 변형)을 지원.

실험 결과

연구 질문

• RQ1 Lyapunov 안정성 이론이 그래프 신경 흐름(정수 차 및 분수 차 모두)에 대해 엄밀하고 증명 가능한 강건성 보장을 제공할 수 있는가?
• RQ2 성능 저하 없이 안정성을 보장하는 학습 가능한 Lyapunov 함수를 어떻게 구성할 수 있는가?
• RQ3 기본 GNN 동역학을 Lyapunov-안정 공간으로 투사하는 것이 다양한 적대적 공격(화이트박스, 블랙박스, 오염, 회피)에 대한 강건성을 향상시키는가?
• RQ4 안정성 모듈을 기존 방어와 통합하여 과도한 계산 없이 누적 강건성을 달성할 수 있는가?
• RQ5 평형점 분리 계층이 안정성 보장을 유지하면서 계급 간 분리를 향상시키는가?

주요 결과

데이터셋	공격	GRAND	IL-GRAND	F-GRAND	FL-GRAND	GBel	IL-GBel	F-GBel	FL-GBel	GCON	IL-GCON	F-GCON	FL-GCON	HANG
Cora	clean	82.24±1.82	88.88±0.97	86.44±0.31	88.95±0.39	79.07±0.46	85.73±0.73	77.55±0.79	86.74±0.93	83.10±0.63	86.97±0.60	82.42±0.89	87.10±0.80	87.13±0.86
Cora	PGD	36.80±1.86	79.01±1.24	56.38±6.39	80.76±0.33	63.93±3.88	80.86±0.73	69.50±2.83	82.60±0.67	48.38±2.44	72.71±0.38	56.70±4.36	74.28±0.69	78.37±1.84
Citeseer	clean	72.52±0.73	75.47±0.64	71.91±0.43	75.66±0.48	74.75±0.28	74.58±0.70	71.09±0.30	75.03±0.47	72.07±0.93	63.08±1.02	73.50±0.43	74.61±0.80	74.11±0.62
Pubmed	clean	88.44±0.34	86.89±0.65	88.39±0.47	87.43±0.42	88.18±1.89	90.25±0.20	89.51±0.12	93.78±0.13	88.09±0.32	86.73±0.25	90.30±0.11	87.27±0.74	89.93±0.27

• 제안된 IL-GNNs 및 FL-GNNs는 Lyapunov-안정 공간으로 동역학을 투사하여 강건성을 달성하며, 이론적으로 정수 차는 지수적 안정, 분수 차는 Mittag-Leffler 안정성을 보인다.
• 표준 벤치마크 및 다양한 공격 시나리오에서 기저 모델 및 여러 베이스라인보다 더 큰 강건성 이득을 보이는 실험 결과.
• 안정성 모듈은 ICNN으로 구성된 학습 가능한 Lyapunov 함수 V를 사용하여 V가 양의 definite하고 궤적에 따라 감소하도록 보장합니다.
• 기존 방어와의 결합이 가능하여, 적대적 학습과 결합될 때 누적 강건성을 가능하게 합니다.
• 평형점 분리 계층은 안정성 보장을 유지하면서 평형점 간의 클래스 간 거리를 최대화하는 데 기여합니다.