理解图卷积网络中的结构脆弱性
机器学习
2021-09-14 v2 密码学与安全
摘要
近期研究表明，图卷积网络（GCNs）易受针对图结构的对抗攻击。尽管已提出多种工作来提升其对此类结构性对抗攻击的鲁棒性，但攻击成功的原因仍不清楚。在这项工作中，我们从理论和实证上证明，结构性对抗样本可归因于 GCNs 的非鲁棒聚合方案（即加权均值）。具体而言，我们的分析利用了能够定量度量聚合方案鲁棒性的崩溃点。关键见解是，作为 GCNs 基本设计的加权均值具有低崩溃点，其输出可通过注入单条边而剧烈改变。我们表明，采用具有高崩溃点的聚合方案（例如中位数或截尾均值）可显著增强 GCNs 对结构攻击的鲁棒性。在四个真实世界数据集上的大量实验表明，这种简单但有效的方法相较于最先进模型实现了最佳的鲁棒性表现。
引用
@article{arxiv.2108.06280,
title = {Understanding Structural Vulnerability in Graph Convolutional Networks},
author = {Liang Chen and Jintang Li and Qibiao Peng and Yang Liu and Zibin Zheng and Carl Yang},
journal= {arXiv preprint arXiv:2108.06280},
year = {2021}
}
备注
7 pages, 5 figures; Published at IJCAI 2021