保持相似性的对抗图对比学习
机器学习
2023-06-27 v1 人工智能
密码学与安全
摘要
近期工作表明GNN模型易受对抗攻击，即对图结构和节点特征的不易察觉扰动。在各种GNN模型中，基于图对比学习(GCL)的方法尤其受对抗攻击影响，因其固有设计高度依赖从原始图导出的自监督信号，而当图被攻击时该原始图已含噪声。为实现针对此类攻击的对抗鲁棒性，现有方法将对抗训练(AT)引入GCL框架，将受攻击图视为GCL框架下的一种增广。然而，我们发现现有对抗训练的GCL方法以无法保持节点特征相似性为代价实现鲁棒性。本文提出一种保持相似性的对抗图对比学习(SP-AGCL)框架，将干净图与两个具有不同性质的辅助视图(即节点相似性保持视图和对抗视图)进行对比。大量实验表明SP-AGCL在若干下游任务上取得有竞争力的性能，并展示其在多种场景下的有效性，例如含对抗攻击、噪声标签和异配邻居的网络。我们的代码见https://github.com/yeonjun-in/torch-SP-AGCL。
引用
@article{arxiv.2306.13854,
title = {Similarity Preserving Adversarial Graph Contrastive Learning},
author = {Yeonjun In and Kanghoon Yoon and Chanyoung Park},
journal= {arXiv preprint arXiv:2306.13854},
year = {2023}
}
备注
9 pages; KDD'23