可证明鲁棒的图神经网络解释方法以抵御图扰动攻击
密码学与安全
2025-02-07 v1
摘要
解释图神经网络（XGNN）在促进使用 GNN 的信任方面获得了越来越多的关注，GNN 是学习图数据的主流方法。尽管关注度日益增加，但现有的 XGNN 方法主要侧重于提高解释性能，其在攻击下的鲁棒性在很大程度上尚未被探索。我们注意到，攻击者可以轻微扰动图结构，使得 XGNN 的解释结果发生巨大变化。XGNN 的这种脆弱性可能会在安全/安保关键型应用中引发严重问题。在本文中，我们迈出了研究 XGNN 抵御图扰动攻击鲁棒性的第一步，并提出了 XGNNCert，这是第一个可证明鲁棒的 XGNN。具体来说，当被扰动边的数量有界时，我们的 XGNNCert 可以证明地确保，在最坏情况的图扰动攻击下，对图的解释结果与未受攻击时的结果接近，同时不影响 GNN 的预测。在多个图数据集和 GNN 解释器上的评估结果显示了 XGNNCert 的有效性。
引用
@article{arxiv.2502.04224,
title = {Provably Robust Explainable Graph Neural Networks against Graph Perturbation Attacks},
author = {Jiate Li and Meng Pang and Yun Dong and Jinyuan Jia and Binghui Wang},
journal= {arXiv preprint arXiv:2502.04224},
year = {2025}
}
备注
Accepted by ICLR 2025