E-SAGE：基于可解释性对抗后门攻击的图神经网络防御
密码学与安全
2024-06-18 v1
摘要
图神经网络（GNN）最近在多个领域得到广泛应用。然而，它们在抗性和后门攻击方面存在显著脆弱性。特别是基于子图插入的后门攻击在图分类任务中效果显著，同时能够隐蔽地规避各种现有防御方法。在本文中，我们提出了E-SAGE，这是一种一种新型防御GNN后门攻击的方法，基于可解释性。我们发现，恶意边和良性边在可解释性评估的重要性得分上存在显著差异。因此，E-SAGE根据边的得分自适应地对图执行迭代边修剪过程。通过大量实验，我们展示了E-SAGE在不同攻击设置下针对最先进图后门攻击的有效性。此外，我们还调查了E-SAGE对抗性攻击的有效性。
引用
@article{arxiv.2406.10655,
title = {E-SAGE: Explainability-based Defense Against Backdoor Attacks on Graph Neural Networks},
author = {Dingqiang Yuan and Xiaohua Xu and Lei Yu and Tongchang Han and Rongchang Li and Meng Han},
journal= {arXiv preprint arXiv:2406.10655},
year = {2024}
}