自引导鲁棒图结构细化
机器学习
2024-03-05 v2
摘要
最近的研究表明，图神经网络（GNNs）容易受到对抗攻击。为了防御此类攻击，鲁棒图结构细化（GSR）方法旨在基于节点特征、图结构或外部信息最小化对抗边的影响。然而，我们发现现有的 GSR 方法受限于狭隘的假设，例如假设节点特征是干净的、结构攻击是适度的以及存在外部干净图，导致其在现实场景中的适用性受限。在本文中，我们提出了一种自引导 GSR 框架（SG-GSR），该框架利用给定被攻击图内部发现的干净子图。此外，我们提出了一种新颖的图增强方法和群组训练策略，以应对干净子图提取中的两个技术挑战：1) 结构信息的丢失，以及 2) 节点度分布的不平衡。大量实验证明了 SG-GSR 在各种场景下的有效性，包括非目标攻击、目标攻击、特征攻击、电子商务欺诈和噪声节点标签。我们的代码可在 https://github.com/yeonjun-in/torch-SG-GSR 获取。
引用
@article{arxiv.2402.11837,
title = {Self-Guided Robust Graph Structure Refinement},
author = {Yeonjun In and Kanghoon Yoon and Kibum Kim and Kijung Shin and Chanyoung Park},
journal= {arXiv preprint arXiv:2402.11837},
year = {2024}
}
备注
This paper has been accepted by TheWebConf 2024 (Oral Presentation)