图神经网络对抗结构性扰动的认证鲁棒性
密码学与安全
2021-07-19 v3
摘要
图神经网络（GNNs）近期在图结构数据上的节点与图分类任务中备受关注。然而，多项近期研究表明，攻击者可通过扰动图结构（即在图中添加或删除边）轻易使 GNNs 预测错误。我们旨在通过开发可认证鲁棒的 GNNs 来防御此类攻击。具体而言，我们证明了任意 GNN 在节点与图分类任务中对抗结构性扰动的认证鲁棒性保证。此外，我们表明该认证鲁棒性保证是紧的。我们的结果基于一种近期提出的称为随机平滑（randomized smoothing）的技术，我们将其推广至图数据。我们还在多个 GNNs 与多个基准数据集上针对节点与图分类任务实证评估了我们的方法。例如，在 Cora 数据集上，采用我们随机平滑的图卷积网络（Graph Convolutional Network）在攻击者最多可任意添加/删除图中 15 条边时能达到 0.49 的认证准确率。
引用
@article{arxiv.2008.10715,
title = {Certified Robustness of Graph Neural Networks against Adversarial Structural Perturbation},
author = {Binghui Wang and Jinyuan Jia and Xiaoyu Cao and Neil Zhenqiang Gong},
journal= {arXiv preprint arXiv:2008.10715},
year = {2021}
}
备注
Accepted by ACM SIGKDD'21