图卷积网络的可证明鲁棒性与鲁棒训练
机器学习
2019-07-01 v1 密码学与安全
机器学习
摘要
近期工作表明，图神经网络（GNNs）对于针对图结构和节点属性的对抗攻击高度非鲁棒，使其结果不可靠。我们提出了第一种针对图卷积网络在节点属性扰动下可证明（非）鲁棒性的方法。我们考虑二值节点属性（例如词袋）以及受L_0范数限制的扰动的情形。若一个节点经我们的方法认证，则在给定的攻击模型下保证其对任何可能的扰动都是鲁棒的。类似地，我们也可以证明非鲁棒性。最后，我们提出了一种将已标注与未标注节点联合处理的鲁棒半监督训练过程。如我们的实验评估所示，我们的方法显著提升了GNN的鲁棒性，且仅对预测精度有极小影响。
引用
@article{arxiv.1906.12269,
title = {Certifiable Robustness and Robust Training for Graph Convolutional Networks},
author = {Daniel Zügner and Stephan Günnemann},
journal= {arXiv preprint arXiv:1906.12269},
year = {2019}
}
备注
Published as a Conference Paper at ACM SIGKDD 2019