可靠表征造就更强防御者：面向鲁棒图神经网络的无监督结构精炼
机器学习
2023-04-24 v4 密码学与安全
摘要
得益于消息传递机制，图神经网络（GNNs）在图数据上的丰富任务中取得了成功。然而，近期研究表明，攻击者可通过恶意修改图结构灾难性地降低 GNNs 的性能。解决此问题的一个直接方法是通过学习两个端点节点成对表征之间的度量函数来建模边权重，试图为对抗边分配低权重。现有方法使用原始特征或监督 GNNs 学习的表征来建模边权重。然而，两种策略都面临一些直接问题：原始特征无法表征节点的各种属性（如结构信息），而监督 GNN 学习的表征可能受分类器在中毒图上性能不佳的影响。我们需要同时携带特征信息和尽可能多正确结构信息且对结构扰动不敏感的表征。为此，我们提出一个名为 STABLE 的无监督流程来优化图结构。最后，我们将精炼后的图输入下游分类器。对于这一部分，我们设计了一种先进的 GCN，在不增加时间复杂度的前提下显著增强了 vanilla GCN 的鲁棒性。在四个真实图基准上的大量实验表明，STABLE 优于最先进的方法并成功防御了多种攻击。
引用
@article{arxiv.2207.00012,
title = {Reliable Representations Make A Stronger Defender: Unsupervised Structure Refinement for Robust GNN},
author = {Kuan Li and Yang Liu and Xiang Ao and Jianfeng Chi and Jinghua Feng and Hao Yang and Qing He},
journal= {arXiv preprint arXiv:2207.00012},
year = {2023}
}
备注
Accepted in KDD2022