基于无先验的扩散结构净化的对抗式违规攻击下鲁棒图学习
机器学习
2025-02-10 v1 人工智能
摘要
对抗式违规攻击对图学习构成严重威胁，已有许多研究改进了图神经网络 (GNN) 的鲁棒性。然而，现有工作依赖关于干净图或攻击策略的先验，这些先验往往是经验性的且不一致。为了实现对不同类型违规攻击和多样数据集上鲁棒的图学习，我们从无先验的结构净化视角进行了研究。具体而言，我们提出了一种新的 Diffusion-based Structure Purification 框架，称为 DiffSP，通过创造性地将图扩散模型纳入学习干净图内在分布的框架，并在捕获预测模式的指导下净化被扰动的结构，以去除对手方，而无需依赖先验。DiffSP 包括前向扩散过程和逆去噪过程，在其中实现了结构净化。为避免在前向过程中丢失有价值信息，我们提出了基于 LID 的非各向同性扩散机制，以选择性地对各向异性地注入噪声。为促进干净图与生成的净化图在语义上对齐，我们通过提出的图传递熵引导去噪机制减少生成不确定性。广泛的实验表明，DiffSP 在违规攻击下具有优越的鲁棒性。
引用
@article{arxiv.2502.05000,
title = {Robust Graph Learning Against Adversarial Evasion Attacks via Prior-Free Diffusion-Based Structure Purification},
author = {Jiayi Luo and Qingyun Sun and Haonan Yuan and Xingcheng Fu and Jianxin Li},
journal= {arXiv preprint arXiv:2502.05000},
year = {2025}
}
备注
Accepted for poster at WWW 2025