理解图卷积网络的结构脆弱性
利用 Soft Medoid 作为聚合函数,能够有效提高 GNN 的鲁棒性,使其在 Cora ML 和 Citeseer 数据集上的抗干扰性能分别提高 3 倍和 5.5 倍,并使低度节点的性能提高 8 倍。
Oct, 2020
本文研究了图卷积网络在对抗扰动下的鲁棒性,通过提出 GraphDefense 方法,成功提高了图卷积网络的鲁棒性,同时能够维持半监督学习的设定,具有较大的应用潜力。
Nov, 2019
本文研究了如何攻击和防御大规模 GNN,设计了一种高效表示的稀疏感知优化攻击和鲁棒的聚合函数 ——Soft Median,并且展示了优于常见代理损失函数的全局攻击替代方案。
Oct, 2021
通过对代表性鲁棒性图神经网络的鲁棒性分析,我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器,并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题,在图神经网络中展开为鲁棒无偏的聚合层,并具有理论上的收敛保证。我们的综合实验证实了我们提出模型的强鲁棒性,剖析研究深入认识了其优势。
Nov, 2023
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
本研究针对图形结构数据,基于随机平滑技术,开发出可证明鲁棒性的图神经网络,证明其对于节点和图分类具有结构扰动的认证鲁棒性保证,并在多个 GNN 和多个基准数据集上进行了实证评估。
Aug, 2020
本文提出了一种名为 STABLE 的无监督流水线来优化图形结构,以增强图神经网络算法的鲁棒性,该方法采用边度量学习来抵御对抗攻击,并设计了一个高级 GCN 来进一步加强其鲁棒性,证明其在四种实际图形基准测试中具有优越的性能表现。
Jun, 2022
在这项工作中,我们从理论上定义了属性图背景下的预期稳健性概念,并将其与图表示学习文献中的敌对鲁棒性概念相关联。我们的定义使我们能够得出图卷积网络和图同构网络在节点特征攻击下预期稳健性的上界,并基于这些发现将图卷积正交稳健网络(Graph Convolutional Orthonormal Robust Networks)作为对敌对攻击更稳健的变体提出,将 GNN 的预期稳健性与其权重矩阵的正交性联系起来。我们进一步引入了一种概率方法来估计预期稳健性,这使我们能够评估 GCORN 在几个真实世界数据集上的有效性。实验结果表明,GCORN 优于现有的防御方法。
Apr, 2024