可证明鲁棒的图对比学习
密码学与安全
2023-10-06 v1 机器学习
摘要
图对比学习（GCL）已成为一种流行的无监督图表示学习方法。然而，已有研究表明 GCL 在图结构和节点属性上均易受对抗攻击。尽管已有经验性方法被提出以增强 GCL 的鲁棒性，但 GCL 的可证明鲁棒性仍未被探索。本文中，我们开发了 GCL 中首个可证明鲁棒的框架。具体而言，我们首先提出一个统一的准则来评估和证明 GCL 的鲁棒性。随后我们引入一种新技术 RES（随机边丢弃平滑，Randomized Edgedrop Smoothing），以保障任意 GCL 模型的可证明鲁棒性，并且该认证鲁棒性可证明地保留在下游任务中。此外，我们提出了一种用于鲁棒 GCL 的有效训练方法。在真实世界数据集上的大量实验证明了我们所提方法在提供有效可证明鲁棒性和增强任意 GCL 模型鲁棒性方面的有效性。RES 的源代码可在 https://github.com/ventr1c/RES-GCL 获取。
引用
@article{arxiv.2310.03312,
title = {Certifiably Robust Graph Contrastive Learning},
author = {Minhua Lin and Teng Xiao and Enyan Dai and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2310.03312},
year = {2023}
}