图鲁棒性基准：图机器学习对抗鲁棒性的基准测试
机器学习
2021-11-09 v1 人工智能
密码学与安全
摘要
图上的对抗攻击对图机器学习（GML）模型的鲁棒性构成了重大威胁。自然地，攻击者与防御者之间存在着不断升级的军备竞赛。然而，双方的策略常常未在相同且现实的条件下进行公平比较。为弥补这一差距，我们提出图鲁棒性基准（GRB），旨在为GML模型的对抗鲁棒性提供可扩展、统一、模块化且可复现的评估。GRB通过以下方式标准化攻击与防御流程：1）开发可扩展且多样的数据集，2）模块化攻击与防御实现，3）在精细化场景中统一评估协议。借助GRB流水线，最终用户可专注于鲁棒GML模型的开发，并享有自动化的数据处理与实验评估。为支持图对抗学习的开放与可复现研究，GRB还托管了跨不同场景的公开排行榜。作为起点，我们进行了广泛实验以对基线技术进行基准测试。GRB为开源项目，欢迎社区贡献。数据集、代码和排行榜可在 https://cogdl.ai/grb/home 获取。
引用
@article{arxiv.2111.04314,
title = {Graph Robustness Benchmark: Benchmarking the Adversarial Robustness of Graph Machine Learning},
author = {Qinkai Zheng and Xu Zou and Yuxiao Dong and Yukuo Cen and Da Yin and Jiarong Xu and Yang Yang and Jie Tang},
journal= {arXiv preprint arXiv:2111.04314},
year = {2021}
}
备注
21 pages, 12 figures, NeurIPS 2021 Datasets and Benchmarks Track