AGNNCert：具有确定性认证的图神经网络对抗任意扰动防御
密码学与安全
2025-02-04 v1
摘要
图神经网络（GNNs）在节点分类和图分类等图相关任务上达到了最先进水平。然而，最近的研究表明，GNNs容易受到对抗性扰动的影响，包括对边、节点和节点特征这三种构成图的组件的扰动。针对此类攻击的经验性防御很快就会被自适应攻击攻破。虽然认证防御提供了鲁棒性保证，但它们面临几个限制：1）几乎所有方法都将对手的能力限制为仅一种类型的扰动，这不切实际；2）所有方法都是为特定的GNN任务设计的，这限制了它们的适用性；3）除一种方法外，所有方法的鲁棒性保证都不是100%准确的。我们通过开发AGNNCert来解决所有这些限制，这是首个针对任意（边、节点和节点特征）扰动提供确定性鲁棒性保证的GNN认证防御，并且适用于最常见的节点分类和图分类两种任务。AGNNCert还将现有的认证防御作为特例包含在内。在多个基准节点/图分类数据集、两个真实世界图数据集以及多种GNN上的广泛评估验证了AGNNCert在可证明地防御任意扰动方面的有效性。AGNNCert还展示了其相对于针对单一边扰动和节点扰动的最先进认证防御的优越性。
引用
@article{arxiv.2502.00765,
title = {AGNNCert: Defending Graph Neural Networks against Arbitrary Perturbations with Deterministic Certification},
author = {Jiate Li and Binghui Wang},
journal= {arXiv preprint arXiv:2502.00765},
year = {2025}
}
备注
Accepted by Usenix Security 2025