HC-Ref：面向图神经网络鲁棒对抗训练的分层约束细化框架
机器学习
2023-12-11 v1
摘要
近期研究表明，攻击者可通过恶意修改图结构或图上节点特征，灾难性地降低图神经网络（GNN）的性能。对抗训练已被证明是计算机视觉领域抵御对抗攻击最有效的防御机制之一，在增强 GNN 鲁棒性方面也展现出巨大潜力。目前，通过在图上执行对抗训练来防御攻击的研究有限，深入探索该方法以优化其有效性至关重要。因此，基于图上的鲁棒对抗训练，我们提出了一种分层约束细化框架（HC-Ref），该框架分别增强 GNN 和下游分类器的抗扰动能力，最终提升整体鲁棒性。我们提出了相应的对抗正则化项，有助于根据不同层的特性自适应地缩小正常部分与扰动部分之间的域差异，促进两部分预测分布的平滑性。此外，现有的图鲁棒对抗训练研究主要集中在节点特征扰动的训练角度，很少考虑图结构的改变。这一局限使其难以防御基于图拓扑变化的攻击。本文通过利用图结构扰动生成对抗样本，为防御基于拓扑变化的攻击方法提供了一种有效途径。在两个真实世界图基准数据集上的大量实验表明，HC-Ref 能够成功抵御多种攻击，并且与几种基线方法相比，具有更优的节点分类性能。
引用
@article{arxiv.2312.04879,
title = {HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs},
author = {Xiaobing Pei and Haoran Yang and Gang Shen},
journal= {arXiv preprint arXiv:2312.04879},
year = {2023}
}