图神经网络公平性的认证防御
机器学习
2025-12-23 v3 密码学与安全
机器学习
摘要
图神经网络（GNNs）多年来已成为各类基于图的任务中一种突出的图学习模型。然而，由于 GNNs 的脆弱性，经验研究表明恶意攻击者可通过向输入图数据添加扰动轻易破坏其预测的公平水平。本文迈出关键一步，研究 GNNs 公平性层面可认证防御这一新问题。具体而言，我们提出一个名为 ELEGANT 的原则性框架，并对 GNNs 的公平性给出详尽的理论认证分析。ELEGANT 以任意 GNN 为骨干网络，在给定攻击者的特定扰动预算下，此类骨干网络的公平水平在理论上不可能被破坏。值得注意的是，ELEGANT 不对 GNN 结构或参数作任何假设，且无需重新训练 GNNs 即可实现认证。因此，它可作为即插即用框架用于任何待部署的已优化 GNNs。我们在真实世界数据集上针对不同 GNN 骨干与参数设置进行了大量实验，验证了 ELEGANT 令人满意的实际有效性。
引用
@article{arxiv.2311.02757,
title = {Certified Defense on the Fairness of Graph Neural Networks},
author = {Yushun Dong and Binchi Zhang and Hanghang Tong and Jundong Li},
journal= {arXiv preprint arXiv:2311.02757},
year = {2025}
}
备注
Accepted at SIGKDD'26 for publication