GraphDefense：面向鲁棒图卷积网络的研究
机器学习
2019-11-12 v1 密码学与安全
摘要
在本文中，我们研究图卷积网络 (GCNs) 的鲁棒性。尽管 GCNs 在图半监督学习任务上表现良好，先前工作已表明原始 GCNs 对对抗扰动非常不稳定。具体而言，我们可以观察到仅轻微改变图邻接矩阵或少数节点的特征就会导致严重的性能退化，使其不适用于安全关键型应用。受深度神经网络对抗防御尤其是对抗训练算法的先前工作启发，我们提出一种称为 GraphDefense 的方法来防御对抗扰动。此外，对于我们的防御方法，我们仍能保持半监督学习设定，而无需很高的标签率。我们还表明，在特征上的对抗训练等价于具有小扰动的边上的对抗训练。我们的实验表明，所提出的防御方法成功提升了图卷积网络的鲁棒性。进一步，我们展示通过精心设计，我们提出的算法可扩展至大型图，例如 Reddit 数据集。
引用
@article{arxiv.1911.04429,
title = {GraphDefense: Towards Robust Graph Convolutional Networks},
author = {Xiaoyun Wang and Xuanqing Liu and Cho-Jui Hsieh},
journal= {arXiv preprint arXiv:1911.04429},
year = {2019}
}