CoG：一种用于防御图上对抗攻击的双视图协同训练框架
机器学习
2021-09-14 v1 密码学与安全
摘要
图神经网络在图数据分析中表现出卓越性能。然而，GNN模型的鲁棒性仍是一个挑战。因此，它们不够可靠，难以部署于关键应用中。近期研究表明，GNN很容易被对抗扰动（尤其是结构扰动）欺骗。这种脆弱性归因于过度依赖结构信息来进行预测。为获得更好的鲁棒性，期望用更全面的特征构建GNN的预测。大多数情况下，图数据具有两种视图信息，即结构信息和特征信息。本文提出CoG，一种简单而有效的协同训练框架，结合这两种视图以提升鲁棒性。CoG从特征视图和结构视图独立训练子模型，并通过将各自最有把握的无标签数据加入训练集来相互蒸馏知识。这两种视图的正交性使子模型多样化，从而增强其集成的鲁棒性。我们在三个流行数据集上评估了框架，结果表明CoG显著提升了图模型抵御对抗攻击的鲁棒性，且不牺牲其在干净数据上的性能。我们还表明当节点特征和图结构同时被扰动时，CoG仍具有良好的鲁棒性。
引用
@article{arxiv.2109.05558,
title = {CoG: a Two-View Co-training Framework for Defending Adversarial Attacks on Graph},
author = {Xugang Wu and Huijun Wu and Xu Zhou and Kai Lu},
journal= {arXiv preprint arXiv:2109.05558},
year = {2021}
}