EDoG：面向图神经网络的对抗性边检测
机器学习
2022-12-29 v1 人工智能
摘要
图神经网络（GNNs）已被广泛应用于生物信息学、药物设计和社交网络等不同任务。然而，近期研究表明，GNNs 易受对抗攻击的影响，这类攻击通过添加细微扰动来误导节点或子图分类预测。由于扰动幅度小且图数据具有离散性，检测这些攻击颇具挑战。本文提出一种通用的对抗性边检测流程 EDoG，它基于图生成，无需了解攻击策略。具体而言，我们提出一种结合链接预测的图生成新方法来检测可疑的对抗边。为有效训练图生成模型，我们从给定图数据中采样若干子图。我们证明，由于实践中对抗边数量通常较少，根据并集界（union bound），采样子图包含对抗边的概率较低。此外，考虑到扰动大量边的强攻击，我们提出一组新特征来进行离群点检测，作为我们检测流程的预处理。在三个真实世界图数据集（包括某大型公司的私有交易规则数据集）以及两类具有可控属性的合成图上的大量实验结果表明，EDoG 在无需任何攻击类型知识的情况下，针对四种最先进的未知攻击策略可达到 0.8 以上的 AUC；在已知攻击类型时约为 0.85。EDoG 显著优于传统的恶意边检测基线。我们还表明，即便自适应攻击完全掌握我们的检测流程，也难以绕过它。
引用
@article{arxiv.2212.13607,
title = {EDoG: Adversarial Edge Detection For Graph Neural Networks},
author = {Xiaojun Xu and Yue Yu and Hanzhang Wang and Alok Lal and Carl A. Gunter and Bo Li},
journal= {arXiv preprint arXiv:2212.13607},
year = {2022}
}
备注
Accepted by IEEE Conference on Secure and Trustworthy Machine Learning 2023