当见证者起防御作用：面向对抗图学习的见证图拓扑层
机器学习
2025-02-11 v3
摘要
基于形状特征对扰动更具鲁棒性这一直观前提，我们将对抗图学习与计算拓扑学的新兴工具，即图的持续同调表示联系起来。我们将见证复形的概念引入图的对抗分析中，这使我们能够仅关注由最关键节点子集（即地标点）所产生的显著图形状特征，同时使整图拓扑信息的损失降到最低。其余节点则作为见证者，用于控制将哪些高阶图子结构纳入学习过程。借助见证机制，我们设计了见证图拓扑层（WGTL），它系统地整合了局部和全局拓扑图特征表示，其影响进而由鲁棒的正则化拓扑损失自动控制。在给定攻击者预算的情况下，我们推导了局部和全局拓扑编码以及相关鲁棒拓扑损失的重要稳定性保证。我们将 WGTL 与五种 GNN 和三种现有的非拓扑防御机制相结合，展示了其通用性和高效性。我们在六个数据集上的广泛实验表明，WGTL 在一系列扰动下和针对各种对抗攻击时均提升了 GNN 的鲁棒性。我们的数据集和源代码可在 https://github.com/toggled/WGTL 获取。
引用
@article{arxiv.2409.14161,
title = {When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning},
author = {Naheed Anjum Arafat and Debabrota Basu and Yulia Gel and Yuzhou Chen},
journal= {arXiv preprint arXiv:2409.14161},
year = {2025}
}
备注
Accepted at AAAI 2025