图神经网络的信息混淆
机器学习
2021-06-15 v5 人工智能
计算机视觉与模式识别
机器学习
摘要
尽管图神经网络（GNNs）的出现极大改进了诸多应用中的节点与图表示学习，但其邻域聚合机制向试图提取节点级敏感属性信息的对手暴露了额外的漏洞。本文研究在图结构数据上学习时通过信息混淆保护敏感属性的问题。我们提出一个框架，借助全变差与 Wasserstein 距离通过对抗训练在局部滤除预先确定的敏感属性。我们的方法针对推断攻击构建了强防御，同时仅在任务性能上遭受微小损失。理论上，我们分析了该框架针对最坏情况对手的有效性，并刻画了最大化预测准确率与最小化信息泄漏之间的固有权衡。在来自推荐系统、知识图谱与量子化学的多个数据集上的实验表明，所提方法在各种图结构与任务上提供了鲁棒防御，同时为下游任务生成了具有竞争力的 GNN 编码器。
引用
@article{arxiv.2009.13504,
title = {Information Obfuscation of Graph Neural Networks},
author = {Peiyuan Liao and Han Zhao and Keyulu Xu and Tommi Jaakkola and Geoffrey Gordon and Stefanie Jegelka and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:2009.13504},
year = {2021}
}
备注
ICML 2021; Code is available at https://github.com/liaopeiyuan/GAL