消除图对抗性防御中的结构偏差
机器学习
2025-04-30 v1 人工智能
密码学与安全
摘要
近年来，图神经网络 (GNN) 在解决各种与图结构相关的下游任务方面显示出巨大的潜力。然而，近期研究发现当前的 GNN 对恶意对抗性攻击十分敏感。鉴于对抗性攻击不可避免地存在于现实世界中，提出了各种防御方法来对抗这些攻击并增强 GNNs 的鲁棒性。尽管这些防御方法表现令人钦佩，但我们注意到它们在对节点低度 (即尾部节点) 的防御能力上存在结构偏差，这类似于传统 GNN 在干净图中对低度节点的结构偏差。因此，本文提出了一种通过包含异构-同构增强图构建、kNN 增强图构建和多视图节点注意力模块来消除 GNNs 对对抗性攻击结构偏差的防御策略。值得注意的是，异构-同构增强图由全局移除异亲亲联系 (即连接特征不相似节点的联系) 并为低度节点添加亲亲联系 (即连接特征相似节点的联系) 组成。为了进一步增强防御能力，采用注意力机制来自适应地组合上述两种图视图的表示。我们在基准数据集上进行了大量实验，以展示所提出策略的防御和去偏差效果。
引用
@article{arxiv.2504.20848,
title = {Mitigating the Structural Bias in Graph Adversarial Defenses},
author = {Junyuan Fang and Huimin Liu and Han Yang and Jiajing Wu and Zibin Zheng and Chi K. Tse},
journal= {arXiv preprint arXiv:2504.20848},
year = {2025}
}
备注
Under Review