面向可证明鲁棒性的图对抗免疫
机器学习
2023-09-26 v2 密码学与安全
社会与信息网络
摘要
尽管取得巨大成功，图神经网络（GNNs）仍易受对抗攻击。现有防御侧重于开发对抗训练或模型修改。本文中，我们提出并形式化了图对抗免疫，即通过对部分图结构进行疫苗接种来提升图针对任意容许对抗攻击的可证明鲁棒性。我们首先提出边级免疫以对节点对进行疫苗接种。遗憾的是，此种边级免疫无法防御新兴的节点注入攻击，因其仅对已有节点对免疫。为此，我们进一步提出节点级免疫。为避免与对抗免疫相关的计算密集型组合优化，我们开发了 AdvImmune-Edge 与 AdvImmune-Node 算法以有效获取免疫节点对或节点。大量实验证明了 AdvImmune 方法的优越性。特别地，AdvImmune-Node 在仅免疫 5% 节点后，将鲁棒节点比例显著提升 79%、294% 与 100%。此外，AdvImmune 方法对各种攻击展现出优异防御性能，优于最先进防御。据我们所知，这是首次从图数据视角提升可证明鲁棒性且不损失干净图性能的努力，为图对抗学习提供了新见解。
引用
@article{arxiv.2302.08051,
title = {Graph Adversarial Immunization for Certifiable Robustness},
author = {Shuchang Tao and Huawei Shen and Qi Cao and Yunfan Wu and Liang Hou and Xueqi Cheng},
journal= {arXiv preprint arXiv:2302.08051},
year = {2023}
}
备注
Published in TKDE. Code: https://github.com/TaoShuchang/AdvImmune_node