MADE：基于掩码式遗忘的图结构后门防御
密码学与安全
2025-01-03 v2 人工智能
机器学习
摘要
图神经网络（GNN）因在处理图相关任务（如社交网络分析、蛋白质设计等）方面的卓越性能而受到广泛关注。尽管其应用广泛，但近期研究表明GNN对由注入触发器到训练数据集中实施的后门攻击极其脆弱。在被毒化数据训练的GNN将在输入附加触发器模式时预测目标标签，这一漏洞为GNN在敏感领域（如药物发现）的应用构成了重大安全风险。尽管已对图像后门防御开展大量研究，但针对此类攻击的GNN防御策略仍不成熟。此外，我们指出传统面向图像的后门防御方法无法直接在图数据上实现良好效果。本文首先分析了图像后门与图后门攻击的关键差异，然后提出一种新方法MADE，通过构建对抗性掩码生成机制选择性保留干净子图，并利用掩码作用于边权以有效消除触发器影响。广泛的实验在各种图分类任务上表明，MADE在显著降低攻击成功率（ASR）的同时，仍能保持高的分类准确率。
引用
@article{arxiv.2411.18648,
title = {MADE: Graph Backdoor Defense with Masked Unlearning},
author = {Xiao Lin and Mingjie Li and Yisen Wang},
journal= {arXiv preprint arXiv:2411.18648},
year = {2025}
}
备注
15 pages, 10 figures