IDEA：面向图对抗鲁棒性的不变性防御
机器学习
2024-04-26 v2 密码学与安全
摘要
尽管图神经网络(GNNs)取得了成功，其对对抗攻击的脆弱性为实际应用带来了巨大挑战。现有防御方法由于在未见攻击下观测到的对抗样本有限或依赖预定义启发式，而遭受严重的性能下降。为应对这些局限，我们分析了图对抗攻击中的因果关系，并得出结论：因果特征是达成图对抗鲁棒性的关键，因为它们对标签具有确定性且跨攻击保持不变。为学习这些因果特征，我们创新性地提出一种针对对抗攻击的不变因果防御方法(IDEA)。我们从信息论视角推导出基于节点和基于结构的不变性目标。IDEA 确保对标签的强可预测性以及跨攻击的不变可预测性，这可证明是一种跨多种攻击的因果不变防御。大量实验表明，IDEA 在所有五个数据集上的全部五种攻击下均达到了最先进的防御性能。IDEA 的实现可在 https://anonymous.4open.science/r/IDEA 获取。
引用
@article{arxiv.2305.15792,
title = {IDEA: Invariant Defense for Graph Adversarial Robustness},
author = {Shuchang Tao and Qi Cao and Huawei Shen and Yunfan Wu and Bingbing Xu and Xueqi Cheng},
journal= {arXiv preprint arXiv:2305.15792},
year = {2024}
}
备注
Submitted to Information Sciences