利用多面体抽象解释认证图卷积网络节点扰动的鲁棒性
机器学习
2025-12-16 v2 形式语言与自动机理论
摘要
图卷积神经网络是强大的工具，用于从训练数据中学习基于图的知识表示。然而，它们容易受到输入图微小扰动的影响，这使得它们容易受到输入故障或对抗攻击。这对于旨在用于关键应用的 GCN 构成了重大问题，这些应用即使在存在对抗扰动的情况下也需要提供可认证的鲁棒服务。我们提出了一种改进的 GCN 鲁棒性认证技术，用于存在节点特征扰动时的节点分类。我们引入了一种新颖的基于多面体的抽象解释方法，以应对图数据的特定挑战，并为 GCN 的鲁棒性提供严格的上界和下界。实验表明，我们的方法同时提高了鲁棒性边界的紧致性以及认证的运行时性能。此外，我们的方法可以在训练期间使用，以进一步提高 GCN 的鲁棒性。
引用
@article{arxiv.2405.08645,
title = {Certifying Robustness of Graph Convolutional Networks for Node Perturbation with Polyhedra Abstract Interpretation},
author = {Boqi Chen and Kristóf Marussy and Oszkár Semeráth and Gunter Mussbacher and Dániel Varró},
journal= {arXiv preprint arXiv:2405.08645},
year = {2025}
}
备注
Author preprint, published at Data Mining and Knowledge Discovery. Published version available at: https://link.springer.com/article/10.1007/s10618-025-01180-w