面向鲁棒图神经网络的结构学习
机器学习
2020-06-30 v3 密码学与安全
社会与信息网络
机器学习
摘要
图神经网络（GNNs）是图表示学习中的强大工具。然而，近期研究表明，GNNs 易受称为对抗攻击的精心设计的扰动的影响。对抗攻击可以轻易欺骗 GNNs 使其对下游任务做出预测。对对抗攻击的脆弱性已引起对在安全关键应用中部署 GNNs 的日益关注。因此，开发鲁棒算法以防御对抗攻击具有重要意义。防御对抗攻击的一个自然思路是清理被扰动的图。显然，真实世界图共享一些内在属性。例如，许多真实世界图是低秩且稀疏的，且两个相邻节点的特征往往相似。事实上，我们发现对抗攻击很可能违反这些图属性。因此，在本文中，我们利用这些属性来防御图上的对抗攻击。具体而言，我们提出了一个通用框架 Pro-GNN，它可以在这些属性引导下从被扰动的图中联合学习一个结构图和一个鲁棒图神经网络模型。在真实世界图上的大量实验表明，即便图被严重扰动，所提框架相比最先进的防御方法仍取得了显著更优的性能。我们将 Pro-GNN 的实现发布于我们的 DeepRobust 对抗攻击与防御仓库（脚注：https://github.com/DSE-MSU/DeepRobust）。复现我们结果的具体实验设置可在 https://github.com/ChandlerBang/Pro-GNN 找到。
引用
@article{arxiv.2005.10203,
title = {Graph Structure Learning for Robust Graph Neural Networks},
author = {Wei Jin and Yao Ma and Xiaorui Liu and Xianfeng Tang and Suhang Wang and Jiliang Tang},
journal= {arXiv preprint arXiv:2005.10203},
year = {2020}
}
备注
Accepted by KDD 2020