面向通用鲁棒图卷积网络的时空稀疏化方法
机器学习
2021-03-24 v1 人工智能
摘要
图神经网络（GNNs）因在各种图结构数据上的成功应用而受到越来越多的关注。然而，近期研究表明对抗攻击正威胁着 GNNs 的功能。尽管已有大量工作从不同角度防御对抗攻击，但其中大多数仅能在特定场景下保持鲁棒。为解决鲁棒泛化性不足的问题，我们提出通过对 GNN 隐藏节点表示施加时空稀疏化（称为 ST-Sparse）来防御对抗攻击。ST-Sparse 在思想上类似于 Dropout 正则化。以 GCN 作为目标 GNN 模型进行大量实验评估，我们总结出 ST-Sparse 的益处如下：（1）ST-Sparse 在大多数情况下表现出防御性能的提升，可有效将鲁棒准确率提高至多 6%；（2）ST-Sparse 通过与现有防御方法结合展现出鲁棒泛化能力，类似于 Dropout 作为标准正则化技术集成到各类深度学习模型中；（3）ST-Sparse 在干净数据集上也展现出普通泛化能力，即 ST-SparseGCN（ST-Sparse 与原始 GCN 的集成）甚至优于原始 GCN，而其他三种代表性防御方法均不及原始 GCN。
引用
@article{arxiv.2103.12256,
title = {Spatio-Temporal Sparsification for General Robust Graph Convolution Networks},
author = {Mingming Lu and Ya Zhang},
journal= {arXiv preprint arXiv:2103.12256},
year = {2021}
}