大规模图神经网络的鲁棒性
机器学习
2023-05-02 v4 机器学习
摘要
图神经网络（GNNs）因其流行度和应用的多样性而日益重要。然而，现有关于其对抗攻击脆弱性的研究依赖于相对较小的图。我们弥补这一空白，研究如何大规模地攻击和防御 GNN。我们提出两种稀疏感知的一阶优化攻击，尽管优化参数数量与节点数成二次关系，仍保持高效表示。我们表明常见的代理损失并不适合对 GNN 的全局攻击。我们的替代方案可使攻击强度翻倍。此外，为提高 GNN 的可靠性，我们设计了一种鲁棒聚合函数 Soft Median，从而在所有规模下实现有效防御。我们在比先前工作大 100 倍以上的图上用标准 GNN 评估了我们的攻击和防御。我们通过将技术扩展到可扩展 GNN，甚至进一步扩展了一个数量级。
引用
@article{arxiv.2110.14038,
title = {Robustness of Graph Neural Networks at Scale},
author = {Simon Geisler and Tobias Schmidt and Hakan Şirin and Daniel Zügner and Aleksandar Bojchevski and Stephan Günnemann},
journal= {arXiv preprint arXiv:2110.14038},
year = {2023}
}
备注
39 pages, 22 figures, 17 tables NeurIPS 2021