GUARD：图通用对抗防御
机器学习
2023-08-15 v4 人工智能
密码学与安全
摘要
图卷积网络（GCNs）已被证明易受微小对抗扰动的攻击，这构成了严重的安全威胁，并在很大程度上限制了其在安全关键场景中的应用。为缓解此类威胁，大量研究工作致力于提升 GCNs 抵御对抗攻击的鲁棒性。然而，当前的防御方法通常旨在防止 GCNs 遭受非定向对抗攻击，并关注整体性能，难以保护重要局部节点免受更强大的定向对抗攻击。此外，现有研究常常需要在鲁棒性与性能之间做出权衡。这些局限凸显了开发一种高效且有效的防御方法的必要性，该方法能够在不损害 GCNs 整体性能的前提下，保护局部节点免受定向攻击。本文提出一种简单而有效的方法，称为图通用对抗防御（GUARD）。与以往工作不同，GUARD 使用一个通用防御补丁保护每个节点免受攻击，该补丁只需生成一次，即可应用于图中任意节点（与节点无关）。GUARD 速度快，无需更改网络架构或添加任何额外参数即可直接实现，并广泛适用于任意 GCNs。在四个基准数据集上的大量实验表明，GUARD 显著提升了多种已有 GCNs 针对多种对抗攻击的鲁棒性，并以大幅优势优于当前最先进的防御方法。
引用
@article{arxiv.2204.09803,
title = {GUARD: Graph Universal Adversarial Defense},
author = {Jintang Li and Jie Liao and Ruofan Wu and Liang Chen and Zibin Zheng and Jiawang Dan and Changhua Meng and Weiqiang Wang},
journal= {arXiv preprint arXiv:2204.09803},
year = {2023}
}
备注
Accepted by CIKM 2023. Code is publicly available at https://github.com/EdisonLeeeee/GUARD