Nov, 2023

压缩系统提升图神经网络对抗攻击能力

PDF
TL;DR这篇研究论文通过提出了一种新颖的方法来增强图神经网络对于恶意扰动的鲁棒性，该方法基于具有收缩性质的微分方程的图神经层，同时学习节点特征和邻接矩阵的进化，从而在输入特征和图的连通性的扰动方面增强模型的鲁棒性，并通过多个真实世界基准测试验证了我们方法的有效性和性能优化。
graph neural networksadversarial attackscontractive dynamical systemsmodel robustnessreal-world benchmarks
发现论文，激发创造
  • 稳健图神经网络的图结构学习

    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

  • GraphDefense: 构建强健的图卷积网络

    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

  • 图神经网络的对抗性训练

    本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击，进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。

    Jun, 2023

  • 通过重连对图卷积网络进行攻击

    本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。

    Jun, 2019

  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • 图神经网络对抗性结构扰动的可靠鲁棒性认证

    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

  • 图形上的对抗攻击与防御：一项综述，一项工具和实证研究

    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

  • 神经收缩动力系统

    我们提出了一种新的方法来学习神经收缩动力系统，使得我们的神经网络结构确保收缩从而实现全局稳定性。为了有效地应用于高维动力系统，我们开发了一种变分自编码器的变体，它学习低维潜在表示空间中的动力学，并在解码后保持收缩稳定性。此外，我们进一步将我们的方法扩展到旋转李群上学习具有避障能力的收缩系统。经验证明，我们的方法比当前的最先进方法更准确地编码了所需的动力学，并提供了更强的稳定性保证。

    Jan, 2024

  • 图神经网络中的对抗鲁棒性：一种哈密顿方法

    通过对来自不同神经流的图神经网络的研究，着重探讨与 BIBO 稳定性、Lyapunov 稳定性、结构稳定性和保守稳定性等各种稳定性概念的联系。通过启发于物理原理，我们主张采用保守 Hamilton 神经流构建对抗攻击具有鲁棒性的图神经网络。在多个基准数据集上，我们对不同神经流的图神经网络的对抗鲁棒性进行了经验比较，结果表明采用具有 Lyapunov 稳定性的保守 Hamilton 神经流的图神经网络大大提高了对抗扰动的鲁棒性。

    Oct, 2023

  • 图神经网络的拓扑攻击与防御：优化视角

    本文提出了基于梯度的攻击方法，以解决离散图数据的难点，并基于此提出了第一个面向图神经网络的基于优化的对抗训练，可以提高不同梯度和贪心攻击方法的鲁棒性，同时不牺牲原始图的分类准确性。

    Jun, 2019