DefenseVGAE: 通过变分图自编码器防御图数据的对抗攻击
本文提出可变图自编码器 (VGAE) 框架,用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量,能够学习图的可解释的潜在表示。在引文网络的链接预测任务中,我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比,我们的模型可以自然地融入节点特征,从而在许多基准数据集上显著提高预测性能。
Nov, 2016
使用变分自编码器的防御策略抵御深度神经网络在图片分类任务中的对抗性攻击。这个防御系统具有灵活性、可学习分解表示以及基于像素块不需要针对不同尺寸的图片进行重新训练等特性,并在中度到严重的攻击情况下,明显胜过 JPEG 压缩及其最优参数,同时仍有提升空间。
Dec, 2018
该论文提出了一种称为 DefNet 的针对图神经网络 (GNN) 的有效对抗性防御框架,结合图神经网络每一层中的潜在漏洞和条件 GAN 方法对其进行训练,有效提高了 GNN 在各种类型的对抗攻击下的鲁棒性。
May, 2019
本文提出了一种新的用于攻击自编码器(autoencoders)的方案,并设计了一个定量评估框架来评估攻击抵抗性。在三个常用数据集上,通过统计验证实验证明带有循环和注意力机制的 DRAW 模型具有更好的抵抗性,这对于自编码器在数据压缩方面的应用十分重要,并引起了更多人对于对抗攻击的关注。
Jun, 2018
本文探讨了图神经网络在面临敌对攻击时的脆弱性,并提出了一种名为 Pro-GNN 的框架,以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明,Pro-GNN 在防御敌对攻击方面表现优异。
May, 2020
该研究论文介绍 Deep Neural Networks 和 Graph Neural Networks 对抗攻击的脆弱性,提出了相关攻击和防御的借鉴,以及一个算法库用于研究对抗攻击和防御。
Mar, 2020
本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法,其关键是将鉴别模型与生成模型相结合,在先验分布中进行选择性分类,从而提高分类的准确性。
May, 2018
本文提出一种新颖的对抗性图嵌入框架用于图形数据,该框架通过编码图形的拓扑结构和节点内容到紧凑表示,进而训练一个解码器重构图形结构,并通过对抗性训练方案强制将潜在表示匹配到先验分布,两种对抗性方法的实验研究表明,其在实际图形计算任务中击败基线算法。
Feb, 2018
该论文提出了一个新的对手正则化框架来进行图嵌入,通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布,之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入,实验表明我们的方法在链接预测和图聚类中执行良好。
Jan, 2019