后门攻击还是操纵攻击？图混合专家可抵御多种图对抗攻击
机器学习
2025-10-20 v1
摘要
大量研究揭示了图神经网络（GNN）对对抗攻击的脆弱性，包括操纵攻击、节点注入攻击以及近期出现的后门攻击等威胁。然而，现有防御方法通常仅针对单一类型的攻击，缺乏统一的框架以同时应对多种威胁。本文利用混合专家（Mixture of Experts, MoE）架构的灵活性，设计了一个可扩展且统一的框架，用于抵御后门攻击、边操纵攻击和节点注入攻击。具体而言，我们提出了一种基于互信息（MI）的逻辑多样性损失，以鼓励各专家在决策过程中关注不同的邻域结构，从而确保在局部结构扰动下仍有足够的专家保持 unaffected。此外，我们引入了一种鲁棒性感知路由器，用于识别扰动模式并自适应地将扰动节点路由到相应的鲁棒专家。在 various 对抗设置下的大量实验表明，我们的方法在抵御多种图对抗攻击时始终能够实现优异的鲁棒性。
引用
@article{arxiv.2510.15333,
title = {Backdoor or Manipulation? Graph Mixture of Experts Can Defend Against Various Graph Adversarial Attacks},
author = {Yuyuan Feng and Bin Ma and Enyan Dai},
journal= {arXiv preprint arXiv:2510.15333},
year = {2025}
}