推断图神经网络的性质
机器学习
2024-03-05 v2 密码学与安全
编程语言
软件工程
摘要
我们提出了 GNNInfer，这是首个针对图神经网络（GNN）的自动性质推断技术。为了应对 GNN 中输入结构多变的挑战，GNNInfer 首先识别出一组对 GNN 预测有显著贡献的代表性影响结构。利用这些结构，GNNInfer 将每对影响结构和 GNN 转换为其等效的 FNN，然后利用现有的性质推断技术有效地捕获 GNN 中特定于这些影响结构的性质。随后，GNNInfer 将捕获的性质推广到任何包含这些影响结构的输入图上。最后，GNNInfer 通过构建一个模型（决策树或线性回归）来估计给定完整输入图时 GNN 输出相对于推断性质的偏差，从而提高推断性质的正确性。学习到的模型帮助 GNNInfer 用对 GNN 输入和输出的约束来扩展推断的性质，从而获得在完整输入图上成立的更强性质。我们的实验表明，GNNInfer 能有效推断出流行真实世界 GNN 的似然性质，更重要的是，这些推断出的性质有助于有效防御 GNN 的后门攻击。特别地，在 13 个真实性质中，GNNInfer 重新发现了 8 个正确性质，并发现了近似其余 5 个真实性质的似然正确性质。使用 GNNInfer 推断出的性质来防御针对 GNN 的 SOTA 后门攻击技术（即 UGBA），实验表明 GNNInfer 的防御成功率比现有基线高出 30 倍。
引用
@article{arxiv.2401.03790,
title = {Inferring Properties of Graph Neural Networks},
author = {Dat Nguyen and Hieu M. Vu and Cong-Thanh Le and Bach Le and David Lo and ThanhVu Nguyen and Corina Pasareanu},
journal= {arXiv preprint arXiv:2401.03790},
year = {2024}
}
备注
20 pages main paper, 10 pages for appendix