DefenseVGAE：通过变分图自编码器防御图上对抗攻击
机器学习
2020-06-17 v1 机器学习
摘要
图神经网络(GNNs)在图数据任务上取得了卓越性能。然而，近期工作表明它们极易受到对抗性结构扰动的攻击，使其结果不可靠。本文中，我们提出DefenseVGAE，一种利用变分图自编码器(VGAEs)来防御GNNs免受此类攻击的新框架。DefenseVGAE经训练以重建图结构。重建的邻接矩阵可减小对抗扰动的影响，并在面临对抗攻击时提升GCNs的性能。我们在多个数据集上的实验显示了所提方法在各种威胁模型下的有效性。在某些设置下它优于现有防御策略。我们的代码已公开于 https://github.com/zhangao520/defense-vgae。
引用
@article{arxiv.2006.08900,
title = {DefenseVGAE: Defending against Adversarial Attacks on Graph Data via a Variational Graph Autoencoder},
author = {Ao Zhang and Jinwen Ma},
journal= {arXiv preprint arXiv:2006.08900},
year = {2020}
}
备注
11 pages, 2 figures