EdgePruner：图对比学习中的中毒边剪枝
密码学与安全
2023-12-13 v1 机器学习
摘要
图对比学习（GCL）是一种无监督的图表示学习方法，能够获取未知节点的有效表示。该节点表示可作为下游任务的特征。然而，与现有学习模型一样，GCL 容易受到投毒攻击。尽管最先进的防御方法在 GCL 中引入了对抗训练，但仍不足以消除投毒图带来的负面影响。为了进一步提升效果，剪枝对抗边至关重要。据我们所知，GCL 领域中这一方向的可行性尚未被探索。本文提出了一种针对 GCL 的简单防御方法 EdgePruner。我们注意到，针对 GCL 的最先进投毒攻击倾向于主要添加对抗边来生成投毒图，这意味着剪枝边对于净化图非常重要。因此，EdgePruner 基于 GCL 在投毒图上训练后获得的节点表示，剪枝那些有助于最小化对比损失的边。此外，我们注意到在投毒图中，具有不同特征的节点会通过对抗边相连。因此，我们引入相邻节点间的特征相似性，以帮助更准确地判定对抗边。这种相似性有助于在多种数据集上进一步消除投毒图的负面影响。最后，EdgePruner 输出产生最小对比损失的图作为净化图。我们的结果表明，在六个数据集上剪枝对抗边是可行的。与最先进的防御方法相比，EdgePruner 可将攻击下的节点分类准确率最高提升 5.55%。此外，我们证明 EdgePruner 对自适应攻击具有免疫力。
引用
@article{arxiv.2312.07022,
title = {EdgePruner: Poisoned Edge Pruning in Graph Contrastive Learning},
author = {Hiroya Kato and Kento Hasegawa and Seira Hidano and Kazuhide Fukushima},
journal= {arXiv preprint arXiv:2312.07022},
year = {2023}
}