受节点特征攻击的图神经网络期望鲁棒性界
机器学习
2024-04-30 v1 人工智能
密码学与安全
摘要
图神经网络 (GNNs) 已在各种图表示学习任务中展现出最先进的性能。近期，研究揭示了它们对对抗性攻击的脆弱性。在本工作中，我们从理论上定义了属性图背景下的期望鲁棒性概念，并将其与图表示学习文献中对抗鲁棒性的经典定义联系起来。我们的定义使我们能够推导出图卷积网络 (GCNs) 和图同构网络在遭受节点特征攻击时期望鲁棒性的上界。基于这些发现，我们将 GNN 的期望鲁棒性与其权重矩阵的正交归一性联系起来，并因此提出了一种独立于攻击的、更鲁棒的 GCN 变体，称为图卷积正交鲁棒网络 (GCORNs)。我们进一步引入了一种概率方法来估计期望鲁棒性，这使我们能够在几个真实世界数据集上评估 GCORN 的有效性。实验表明，GCORN 优于现有的防御方法。我们的代码公开于：\href{https://github.com/Sennadir/GCORN}{https://github.com/Sennadir/GCORN}。
引用
@article{arxiv.2404.17947,
title = {Bounding the Expected Robustness of Graph Neural Networks Subject to Node Feature Attacks},
author = {Yassine Abbahaddou and Sofiane Ennadir and Johannes F. Lutzeyer and Michalis Vazirgiannis and Henrik Boström},
journal= {arXiv preprint arXiv:2404.17947},
year = {2024}
}
备注
Accepted at ICLR 2024