图神经网络的对抗防御框架
机器学习
2019-05-14 v2 密码学与安全
机器学习
摘要
图神经网络（GNN）作为图数据上一种强大的表示学习模型，吸引了各学科的大量关注。然而，近期研究表明GNN易受对抗攻击。如何使GNN更鲁棒？GNN中的关键漏洞是什么？如何弥补漏洞并防御GNN免受对抗攻击？本文中，我们提出DefNet，一种用于GNN的有效对抗防御框架。具体而言，我们首先调查GNN各层中的潜在漏洞，并提出相应策略，包括双阶段聚合与瓶颈感知器。然后，为应对训练数据稀缺，我们提出一种对抗对比学习方法，通过利用高层图表示以条件GAN方式训练GNN。在三个公开数据集上的大量实验证明了DefNet在各类对抗攻击下提升流行GNN变体（如Graph Convolutional Network和GraphSAGE）鲁棒性的有效性。
引用
@article{arxiv.1905.03679,
title = {Adversarial Defense Framework for Graph Neural Network},
author = {Shen Wang and Zhengzhang Chen and Jingchao Ni and Xiao Yu and Zhichun Li and Haifeng Chen and Philip S. Yu},
journal= {arXiv preprint arXiv:1905.03679},
year = {2019}
}