GraphMU：通过机器遗忘修复图神经网络的鲁棒性
摘要
图神经网络 (GNN) 已在 various fields 中展现出显著的 application potential。然而，GNNs 仍 vulnerable to adversarial attacks。大量针对 GNNs 的 adversarial defense 方法被提出以解决 adversarial attacks 的问题。然而，这些方法仅可在 poisoning 之前作为 defense，无法 repair 被 poisons 的 GNN。因此，迫切需要一种方法来 repair 被 poisons 的 GNN。在本 paper 中，我们通过引入 GNN 的 model repair 概念来填补这一 gap。我们提出一种 repair 框架，称为通过机器遗忘来修复 GNN 鲁棒性 (Repairing Robustness of Graph Neural Networks via Machine Unlearning, GraphMU)，旨在 fine-tune 被 poisons 的 GNN 以 forget adversarial samples，无需 complete retraining。我们还引入 unlearning validation 方法以确保 our approach 有效地 forget specified poisons 数据。为评估 GraphMU 的 effectiveness，我们基于 available perturbation 信息探索了三种 fine-tuned subgraph construction scenario：(i) Known Perturbation Ratios，(ii) Known Complete Knowledge of Perturbations，(iii) Unknown any Knowledge of Perturbations。我们的 extensive experiments 覆盖四个 citation datasets 和四个 adversarial attack scenario，结果表明 GraphMU 能够有效 restore 被 poisons 的 GNN 的 performance。
引用
@article{arxiv.2406.13499,
title = {GraphMU: Repairing Robustness of Graph Neural Networks via Machine Unlearning},
author = {Tao Wu and Xinwen Cao and Chao Wang and Shaojie Qiao and Xingping Xian and Lin Yuan and Canyixing Cui and Yanbing Liu},
journal= {arXiv preprint arXiv:2406.13499},
year = {2024}
}