最近の研究では、ニューラルネットワークが視覚分類タスクにおいて入力特徴量に対する小さな故意の摂動に脆弱であることが示されています。例の間の関連性（例えば、引用リンクを持つ記事は同じクラスになりやすい）を考慮する必要があるため、グラフニューラルネットワークはこれらの摂動に対してより敏感になる可能性があります。接続された例からの摂動が目標となる例への影響を悪化させるためです。敵対的訓練（Adversarial Training, AT）は、動的な正則化技術であり、入力特徴量に対する最悪の場合の摂動に対抗でき、モデルの堅牢性と汎化性能を向上させる有望な手法です。しかし、既存のAT手法は標準的な分類に焦点を当てており、グラフ上のモデル訓練には効果が低い傾向があります。これは接続された例からの影響をモデル化していないためです。本研究では、グラフ上の敵対的訓練を探求し、グラフ上で学習したモデルの堅牢性と汎化性能を向上させることを目指します。我々はGraph Adversarial Training (GraphAT)を提案します。これは学習時に接続された例からの影響を取り入れて摂動の構築と抵抗を行う手法です。GraphATの一般的な定式化を行い、これをグラフ構造に基づく動的な正則化スキームとして捉えることができます。GraphATの有用性を示すために、最先端のグラフニューラルネットワークモデルであるGraph Convolutional Network (GCN)に適用しました。CiteseerとCoraという2つの引用グラフおよびNELLという知識グラフで実験を行い、Node Classification Accuracyにおいて通常のGCN訓練よりも4.51%高い性能を達成したことを確認しました。コードは以下のURLから入手可能です: https://github.com/fulifeng/GraphAT.