投毒 $\times$ 逃逸：图神经网络的共生对抗鲁棒性
机器学习
2023-12-12 v1
摘要
众所周知，深度学习模型容易受到微小输入扰动的影响。此类受扰样本被称为对抗样本。对抗样本通常被设计为在训练时（投毒）或测试时（逃逸）欺骗模型。在本工作中，我们研究投毒与逃逸的共生关系。我们表明，结合这两种威胁模型可以显著提升对抗攻击的破坏性效果。具体而言，我们研究了图神经网络（GNN）在结构扰动下的鲁棒性，并利用一阶优化为这一新型威胁模型设计了一种内存高效的自适应端到端攻击方法。
引用
@article{arxiv.2312.05502,
title = {Poisoning $\times$ Evasion: Symbiotic Adversarial Robustness for Graph Neural Networks},
author = {Ege Erdogan and Simon Geisler and Stephan Günnemann},
journal= {arXiv preprint arXiv:2312.05502},
year = {2023}
}
备注
NeurIPS 2023 New Frontiers in Graph Learning Workshop (NeurIPS GLFrontiers 2023)