AN-GCN：一种抵御边扰动攻击的匿名图卷积网络
机器学习
2021-06-18 v6 密码学与安全
摘要
近期研究揭示了图卷积网络（GCNs）在面对边扰动攻击（如恶意插入或删除图边）时的脆弱性。然而，对此类脆弱性的理论证明仍是一大挑战，且有效的防御方案仍是开放问题。本文首先推广了边扰动攻击的形式化描述，并严格证明了 GCNs 在节点分类任务中对此类攻击的脆弱性。随后，提出一种名为 AN-GCN 的匿名图卷积网络以抵御边扰动攻击。具体而言，我们提出节点定位定理，阐明 GCN 在训练阶段如何对节点进行定位。此外，我们设计了基于交错高斯噪声的节点位置生成器，并构建了基于谱图卷积的判别器以检测生成的节点位置。进一步，我们给出了上述生成器与判别器的优化方法。AN-GCN 可在不将节点位置作为输入的情况下对节点进行分类。研究表明，由于 AN-GCN 不依赖边信息进行分类，使攻击者无法再扰动边，因而在节点分类任务中可安全抵御边扰动攻击。大量评估表明，通用边扰动攻击模型在操纵目标节点分类结果方面行之有效。更重要的是，所提 AN-GCN 在无读边权限下节点分类准确率达 82.7%，优于当前最优的 GCN。
引用
@article{arxiv.2005.03482,
title = {AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack},
author = {Ao Liu and Beibei Li and Tao Li and Pan Zhou and Rui wang},
journal= {arXiv preprint arXiv:2005.03482},
year = {2021}
}
备注
15 pages, 11 figures