图神经网络的对抗训练：陷阱、解决方案与新方向
机器学习
2023-12-05 v2
摘要
尽管在图像领域取得成功，对抗训练尚未作为图神经网络（GNNs）抵御图结构扰动的的有效防御手段而脱颖而出。在修复对抗训练的过程中，（1）我们指出并克服了先前工作中所采用的图学习设置在理论与实际上的根本局限；（2）我们揭示基于可学习图扩散的更灵活 GNNs 能够适应对抗扰动，且所学到的消息传递机制天然具有可解释性；（3）我们引入了首个针对结构扰动的攻击方法，该方法在同时攻击多个节点时，能够处理全局（图级）与局部（节点级）约束。综合这些贡献，我们证明对抗训练是针对对抗性结构扰动的state-of-the-art防御方法。
引用
@article{arxiv.2306.15427,
title = {Adversarial Training for Graph Neural Networks: Pitfalls, Solutions, and New Directions},
author = {Lukas Gosch and Simon Geisler and Daniel Sturm and Bertrand Charpentier and Daniel Zügner and Stephan Günnemann},
journal= {arXiv preprint arXiv:2306.15427},
year = {2023}
}
备注
Published as a conference paper at NeurIPS 2023