利用节点复制防御图神经网络拓扑攻击
机器学习
2020-07-15 v1 密码学与安全
社会与信息网络
摘要
对抗攻击会影响现有深度学习模型的性能。随着基于图的机器学习技术受到更多关注，已有研究指出这些模型同样易受攻击。特别是，图拓扑的损坏会严重降低基于图的学习算法的性能。这是因为这些算法的预测能力主要依赖于由图连通性所施加的相似度结构。因此，检测损坏位置并纠正由此引发的错误变得至关重要。近期已有一些工作处理检测问题，但这些方法未解决攻击对下游学习任务的影响。本工作中，我们提出一种利用节点复制来缓解由对抗攻击引起的分类性能退化的算法。所提方法仅在下游任务模型训练后应用，且额外计算成本在大型图上具有良好的可扩展性。实验结果显示了我们的方法在多个真实世界数据集上的有效性。
引用
@article{arxiv.2007.06704,
title = {Node Copying for Protection Against Graph Neural Network Topology Attacks},
author = {Florence Regol and Soumyasundar Pal and Mark Coates},
journal= {arXiv preprint arXiv:2007.06704},
year = {2020}
}