图神经网络中的对抗鲁棒性:一种哈密顿方法
机器学习
2023-10-11 v1
摘要
图神经网络(GNNs)易受对抗扰动的影响,包括影响节点特征和图拓扑的扰动。本文研究了由多种神经流导出的 GNN,重点关注它们与各类稳定性概念(如 BIBO 稳定性、李雅普诺夫稳定性、结构稳定性和保守稳定性)的联系。我们认为,李雅普诺夫稳定性尽管常用,但未必能保证对抗鲁棒性。受物理学原理启发,我们主张使用保守哈密顿神经流来构建对对抗攻击鲁棒的 GNN。在不同神经流 GNN 的对抗鲁棒性在多个基准数据集上、于多种对抗攻击下进行了实证比较。大量数值实验表明,利用具有李雅普诺夫稳定性的保守哈密顿流的 GNN 显著提升了针对对抗扰动的鲁棒性。实验的实现代码可在 https://github.com/zknus/NeurIPS-2023-HANG-Robustness 获取。
引用
@article{arxiv.2310.06396,
title = {Adversarial Robustness in Graph Neural Networks: A Hamiltonian Approach},
author = {Kai Zhao and Qiyu Kang and Yang Song and Rui She and Sijie Wang and Wee Peng Tay},
journal= {arXiv preprint arXiv:2310.06396},
year = {2023}
}
备注
Accepted by Advances in Neural Information Processing Systems (NeurIPS), New Orleans, USA, Dec. 2023, spotlight