针对具有任意扰动的图投毒攻击的图神经网络确定性认证

图神经网络（GNNs）正成为在图数据上学习的既定方法，并在节点和图分类任务上取得了 SOTA 性能。然而，最近的研究表明 GNNs 容易受到训练时投毒攻击的影响——对训练图的边、节点或/和节点特征进行微小扰动即可大幅降低 GNNs 的测试性能。以往大多数针对图投毒攻击的防御方法都是经验性的，并且很快被自适应或更强的攻击所攻破。少数可证明的防御方法提供了鲁棒性保证，但在实际应用中存在较大差距：1）将攻击者限制在仅一种类型的扰动上；2）为特定的 GNN 架构或任务设计；3）鲁棒性保证并非 100% 准确。在本工作中，我们通过开发 PGNNCert 弥合了所有这些差距，这是首个在任意（边、节点和节点特征）扰动下具有确定性鲁棒性保证的 GNN 针对投毒攻击的认证防御。在多个节点和图分类数据集及 GNNs 上的广泛评估证明了 PGNNCert 在可证明防御任意投毒扰动方面的有效性。结果还表明，在 GNN 训练期间，PGNNCert 显著优于针对边扰动或节点扰动的 SOTA 认证防御方法。