图神经网络的防御是否鲁棒？
机器学习
2023-02-01 v1
摘要
对文献的粗略阅读似乎表明，我们在为图神经网络（GNNs）设计有效的对抗防御方面已取得大量进展。然而，标准方法存在一个严重缺陷——几乎所有防御都是针对非自适应攻击进行评估的，这导致了过于乐观的鲁棒性估计。我们对涵盖全部策略谱系的 7 种最流行防御（即旨在改进图、架构或训练的防御）进行了彻底的鲁棒性分析。结果令人警醒——与未防御的基线相比，大多数防御没有或仅有微小改进。我们主张将自定义自适应攻击作为黄金标准，并概述了我们从成功设计此类攻击中汲取的经验教训。此外，我们多样的扰动图集合构成了一种（黑盒）单元测试，可初步审视模型的鲁棒性。
引用
@article{arxiv.2301.13694,
title = {Are Defenses for Graph Neural Networks Robust?},
author = {Felix Mujkanovic and Simon Geisler and Stephan Günnemann and Aleksandar Bojchevski},
journal= {arXiv preprint arXiv:2301.13694},
year = {2023}
}
备注
34 pages, 36th Conference on Neural Information Processing Systems (NeurIPS 2022)