基于拓扑学紧密边界的消息传递神经网络验证
最优化与控制
2024-05-22 v2 机器学习
摘要
由于图神经网络（GNN）常常容易受到攻击，我们需要弄清楚我们什么时候可以信赖它们。我们发展出一种计算有效的方法，用于通过紧凑整型优化提供消息传递神经网络（MPNN）的稳健证书，而该网络使用整流线性单元（ReLU）激活函数。由于我们的工作建立在混合整数优化之上，它编码了多种子问题，例如它容许（i）添加和删除边，（ii）全局和局部预算，以及（iii）拓扑扰动和特征修改。我们的关键技术是拓扑学紧密边界，它利用图结构来紧密边界。我们还实验了激进的边界紧缩，以动态更改优化约束通过紧密边界变量。为演示这些策略的有效性，我们实现了一个扩展到开源分支定点求解器 SCIP 的扩展。我们在节点和图分类问题上进行测试，并考虑既添加又删除边的拓扑攻击。
引用
@article{arxiv.2402.13937,
title = {Verifying message-passing neural networks via topology-based bounds tightening},
author = {Christopher Hojny and Shiqiang Zhang and Juan S. Campos and Ruth Misener},
journal= {arXiv preprint arXiv:2402.13937},
year = {2024}
}