用于鲁棒图神经网络的光谱对抗训练
机器学习
2022-11-22 v1 人工智能
摘要
近期研究表明，图神经网络 (GNNs) 易受轻微但经对抗性设计的扰动（即对抗样本）的影响。为解决此问题，针对对抗样本的鲁棒训练方法在文献中受到相当关注。\emph{对抗训练 (AT)} 是一种利用对抗扰动的训练样本学习鲁棒模型的成功方法。现有的 GNN 上的 AT 方法通常基于图结构或节点特征构造对抗扰动。然而，由于图结构的离散性以及相连样本之间的关系，它们在图数据上效果较差且充满挑战。本工作中，我们力求应对这些挑战，并提出光谱对抗训练 (SAT)，一种简单而有效的 GNN 对抗训练方法。SAT 首先基于光谱分解对图结构进行低秩近似，然后在光谱域中构造对抗扰动，而非直接操纵原始图结构。为考察其有效性，我们在三种广泛使用的 GNN 上采用 SAT。在四个公开图数据集上的实验结果表明，SAT 在不牺牲分类准确率和训练效率的前提下，显著提升了 GNN 对抗对抗攻击的鲁棒性。
引用
@article{arxiv.2211.10896,
title = {Spectral Adversarial Training for Robust Graph Neural Network},
author = {Jintang Li and Jiaying Peng and Liang Chen and Zibin Zheng and Tingting Liang and Qing Ling},
journal= {arXiv preprint arXiv:2211.10896},
year = {2022}
}
备注
Accepted by TKDE. Code availiable at https://github.com/EdisonLeeeee/SAT