节点感知双向平滑：针对图注入攻击的认证鲁棒性
机器学习
2023-12-08 v1 密码学与安全
摘要
深度图学习（DGL）已成为跨各个领域的关键技术。然而，最近的研究暴露了 DGL 模型的脆弱性，例如容易受到逃避攻击和投毒攻击。尽管已开发出经验与可证明的鲁棒性技术来防御图修改攻击，但针对图注入攻击的认证鲁棒性问题在很大程度上仍未被探索。为了弥补这一空白，我们引入了节点感知双向平滑框架，这是首个针对一般节点分类任务防御图注入攻击的可认证鲁棒方法。值得注意的是，所提出的节点感知双向平滑方案与模型无关，且适用于逃避攻击和投毒攻击。通过严格的理论分析，我们确立了我们平滑方案的可认证条件。我们还在两种情境下探索了节点感知双向平滑方案的实际应用：作为抵御现实世界图注入攻击的经验防御方法，以及在推荐系统中的应用。此外，我们将两个最先进的认证鲁棒性框架扩展以应对节点注入攻击，并将我们的方法与它们进行了比较。广泛的评估证明了我们提出的证书的有效性。
引用
@article{arxiv.2312.03979,
title = {Node-aware Bi-smoothing: Certified Robustness against Graph Injection Attacks},
author = {Yuni Lai and Yulin Zhu and Bailin Pan and Kai Zhou},
journal= {arXiv preprint arXiv:2312.03979},
year = {2023}
}