通过协同同配增强抵御图对抗攻击
机器学习
2022-11-16 v1 社会与信息网络
摘要
近期研究表明,图神经网络(GNNs)存在脆弱性,易被微小扰动欺骗,这在将GNNs应用于各类安全关键场景时引发了相当程度的担忧。本文关注一种新兴但关键的攻击,即图注入攻击(GIA):攻击者通过注入伪造节点而非修改已有结构或节点属性来投毒图。受“对抗攻击与受扰图上异配度上升相关(攻击者倾向于连接不相似节点)”这一发现的启发,我们提出一种通用防御框架CHAGNN,通过对图数据与模型的协同同配增强来抵御GIA。具体而言,模型在每轮训练中为无标签节点生成伪标签,以减少带有不同标签节点之间的异配边。更干净的图被反馈给模型,从而产生信息更丰富的伪标签。通过这种迭代方式,模型鲁棒性有望得到增强。我们给出了同配增强效果的理论分析,并提供了所提方法有效性的保证。实验结果在多个真实世界数据集上,与近期最先进的防御方法相比,实证地展示了CHAGNN的有效性。
引用
@article{arxiv.2211.08068,
title = {Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation},
author = {Zhihao Zhu and Chenwang Wu and Min Zhou and Hao Liao and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2211.08068},
year = {2022}
}
备注
The paper has been accepted for presentation at ECML PKDD 2022