On the Safety of Graph Representation Learning

그래프 표현 학습 (Graph Representation Learning, GRL) 은 토폴로지 만 기반의 그래프 임베딩에서 시작해, 특정 작업에 특화된监督된 GNNs 를 거쳐 최근에는 재사용 가능한 표현과 그래프 파운데이션 모델 (Graph Foundation Models, GFMs) 으로 진화했습니다. 그러나 기존의 평가는 주로 깨끗한 전이 (clean transfer), 적응 (adaptation), 및 작업 커버리지를 측정합니다. 배포 스트레스가 그래프 신호, 그래프 컨텍스트, 레이블 지원, 구조적 그룹, 또는 예측 증거에 영향을 미칠 때 GRL 방법들이 여전히 신뢰할 수 있는지에 대해서는 아직 명확하지 않습니다. 우리는 GRL-Safety 를 소개합니다. 이는 GRL 의 다차원 안전성 평가 벤치마크입니다. GRL-Safety 는 표준화된 평가 조건 하에서 25 개의 그래프 데이터셋을 사용하여 토폴로지 만 임베딩 방법,监督된 GNNs, 자기지도 학습 그래프 모델, 및 GFMs 을 아우르는 12 가지 대표적 방법을 평가합니다. 평가는 교란 내성 (corruption robustness), OOD 일반화 (Out-of-Distribution Generalization), 클래스 불균형, 공정성, 및 해석 가능성이라는 5 개의 안전 축을 포함하며, 단일 종합 점수가 아닌 각 축 및 하위 조건별 보고를 제공합니다. 우리의 분석은 향후 연구를 영감으로 삼을 수 있는 3 가지 교차축 통찰력을 제공합니다. 첫째, 안전 행동은 방법 계열에 의해 결정되는 것이 아니라 표현 설계와 스트레스받는 그래프 인자 간의 상호작용에 의해 형성됩니다. 둘째, 파운데이션 시대 방법은 광범위한 안전 우위보다는 축 특화 강점을 보입니다. 셋째, 최선의 평가 방법조차도 여러 배포 제도가 여전히 어렵게 남아있으며, 이는 모델 선택을 넘어선 새로운 내성, 적응 또는 학습 목표가 필요한 능력 격차를 드러냅니다. 벤치마크, 평가 프로토콜 및 코드는 다음에서 이용 가능합니다: https://github.com/GXG-CS/GRL-Safety.