基于随机平滑的图分类对拓扑攻击的认证鲁棒性
机器学习
2020-09-15 v1 密码学与安全
机器学习
摘要
图分类在多个领域有实际应用。近期研究表明，由于图数据的非独立同分布性质，基于图的机器学习模型尤其易受对抗扰动攻击。通过在图中添加或删除少量边，攻击者即可大幅改变图分类模型预测的图标签。本工作中，我们提出构建具有认证鲁棒性保证的平滑图分类模型。我们已证明所得图分类模型在 有界对抗扰动下对图输出相同预测。我们还在基于图卷积网络（GCN）的多类图分类模型下评估了方法的有效性。
引用
@article{arxiv.2009.05872,
title = {Certified Robustness of Graph Classification against Topology Attack with Randomized Smoothing},
author = {Zhidong Gao and Rui Hu and Yanmin Gong},
journal= {arXiv preprint arXiv:2009.05872},
year = {2020}
}
备注
Accepted to IEEE GLOBECOM 2020