图上的对抗攻击与防御：综述、工具与实证研究
机器学习
2020-12-15 v3 密码学与安全
机器学习
摘要
深度神经网络（DNNs）在各种任务中取得了显著性能。然而，最近的研究表明，DNNs 很容易被输入上的微小扰动所欺骗，称为对抗攻击。作为 DNNs 在图上的扩展，图神经网络（GNNs）已被证明继承了这一脆弱性。攻击者可以通过修改图结构（例如操纵少数边）来误导 GNNs 给出错误预测。这一脆弱性引起了人们对在安全关键应用中采用 GNNs 的巨大担忧，并在近年来吸引了越来越多的研究关注。因此，提供对现有图对抗攻击及对策的全面概述是必要且及时的。在本综述中，我们对现有攻击和防御进行分类，并回顾相应的前沿方法。此外，我们开发了一个包含代表性算法的代码库（https://github.com/DSE-MSU/DeepRobust/tree/master/deeprobust/graph）。该代码库使我们能够进行实证研究，以加深对图上攻击和防御的理解。
引用
@article{arxiv.2003.00653,
title = {Adversarial Attacks and Defenses on Graphs: A Review, A Tool and Empirical Studies},
author = {Wei Jin and Yaxin Li and Han Xu and Yiqi Wang and Shuiwang Ji and Charu Aggarwal and Jiliang Tang},
journal= {arXiv preprint arXiv:2003.00653},
year = {2020}
}
备注
Accepted by SIGKDD Explorations