集体认证鲁棒性：抵御图注入攻击
密码学与安全
2024-03-05 v1 机器学习
摘要
我们研究了图神经网络（GNN）在图注入攻击下的认证鲁棒性。现有研究仅通过独立验证每个节点来提供样本级证书，导致认证性能非常有限。本文提出了首个集体证书，可同时认证一组目标节点。为此，我们将问题形式化为二元整数二次约束线性规划（BQCLP）。我们进一步开发了一种定制线性化技术，将BQCLP松弛为可高效求解的线性规划（LP）。通过全面实验，我们证明了我们的集体认证方案以最小的计算开销显著提升了认证性能。例如，在Citeseer数据集上，当注入节点数为图大小的5%时，通过在一分钟内求解LP，认证比率从0.0%大幅提升至81.2%。我们的工作标志着向更实用的可证明防御迈出了关键一步。
引用
@article{arxiv.2403.01423,
title = {Collective Certified Robustness against Graph Injection Attacks},
author = {Yuni Lai and Bailin Pan and Kaihuang Chen and Yancheng Yuan and Kai Zhou},
journal= {arXiv preprint arXiv:2403.01423},
year = {2024}
}