随机消息拦截平滑：图神经网络的灰盒证书

随机平滑是为机器学习模型（包括图神经网络（GNNs））认证对抗鲁棒性最有前景的框架之一。然而，现有的 GNN 随机平滑证书过于悲观，因为它们将模型视为黑盒，忽略了底层架构。为此，我们提出了利用 GNN 消息传递原理的新型灰盒证书：我们随机拦截消息，并仔细分析来自对抗控制节点的消息到达其目标节点的概率。与现有证书相比，我们认证了对更强对抗者的鲁棒性，这些对抗者控制图中的整个节点并可以任意操纵节点特征。我们的证书对更大距离上的攻击提供更强的保证，因为来自更远节点的消息更可能被拦截。我们在各种模型和数据集上展示了方法的有效性。由于我们的灰盒证书考虑了底层图结构，我们可以通过应用图稀疏化显著提升可认证鲁棒性。