一种简单且相当有效的图神经网络防御方法
机器学习
2024-02-22 v1
摘要
图神经网络 (GNNs) 已成为图结构数据机器学习的主流方法。然而，人们开始关注 GNNs 对微小对抗扰动的脆弱性。现有的针对此类扰动的防御方法存在时间复杂度高且可能对模型在干净图上的性能产生负面影响的问题。为应对这些挑战，本文提出 NoisyGNNs，这是一种将噪声融入底层模型架构的新型防御方法。我们建立了噪声注入与增强 GNN 鲁棒性之间的理论联系，突显了我们方法的有效性。我们进一步在节点分类任务上进行了广泛的实证评估以验证理论发现，重点考察了两种流行的 GNN：GCN 和 GIN。结果表明，NoisyGNN 在最小化额外时间复杂度的同时，实现了优于或媲美现有方法的防御性能。NoisyGNN 方法具有模型无关性，可集成到不同的 GNN 架构中。将我们的 NoisyGNN 方法与现有防御技术成功结合，展示了进一步改进的对抗防御结果。我们的代码已公开：https://github.com/Sennadir/NoisyGNN。
引用
@article{arxiv.2402.13987,
title = {A Simple and Yet Fairly Effective Defense for Graph Neural Networks},
author = {Sofiane Ennadir and Yassine Abbahaddou and Johannes F. Lutzeyer and Michalis Vazirgiannis and Henrik Boström},
journal= {arXiv preprint arXiv:2402.13987},
year = {2024}
}
备注
Accepted at AAAI-24