Mar, 2024

图数据增广和攻击中的图神经网络边扰动再思考

PDF
TL;DR该研究提出了边界扰动方法的两个类别，并通过实验和理论的统一构建了边界扰动方法的工作流程。同时，引入了边界优先检测器（EPD），通过较少的时间开销实现了灵活的增强或攻击，并获得了可比或更好的性能。
edge perturbationgraph neural networksgraph data augmentationedge priority detectoroptimization problem
发现论文，激发创造
  • 基于可解释性的图形边缘扰动对抗攻击

    研究了图神经网络在测试时间遭受对抗攻击的影响，通过边扰动进行节点之间的重要性识别和边的改变，发现在节点分类中引入不同类别节点之间的边相比于移除同一类别节点之间的边具有更大的影响。

    Dec, 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

  • 具特征值扰动的边缘私有图神经网络

    图神经网络（GNNs）在从图结构化数据中学习表示方面发挥关键作用，并已被证明在许多应用中非常有用。本文研究了一个攻击者试图从训练的 GNN 模型中恢复私有边信息的情况。我们提出了一种新的隐私保护 GNN 训练算法 Eclipse，通过奇异值分解（SVD）以低秩格式对图进行训练，从而保持了良好的模型效用并提供了强大的隐私保护。实验证明，Eclipse 相比现有的隐私保护 GNN 训练方法在隐私效用权衡方面取得了显著的改进，并且对常见边攻击具有更好的鲁棒性。

    Mar, 2024

  • 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

  • 攻击图结构时梯度告诉我们什么

    该研究证明了图神经网络容易受到对抗性攻击，在此基础上提出了一种多跳聚合的信息传递和正则化方法以增强对抗攻击的隐蔽性和攻击性能。

    Aug, 2022

  • 图结构上的梯度在灰盒攻击中可靠吗？

    本文分析并讨论了结构梯度不可靠性问题对图嵌入分类预测的影响，提出一种新的攻击模型和方法来减小这些误差。提出了边缘离散取样、候选选择和语义不变性等方法来提高攻击效率和稳定性，实验结果表明了新方法的优越性。

    Aug, 2022

  • 在保留解释的图扰动下的 PAC 可学习性

    图形模型及图神经网络中的解释辅助学习和数据增强的研究，探讨了解释辅助学习规则和数据增强方法，以及它们在训练中的优势和限制。

    Feb, 2024

  • 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

  • 利用赌博机构造基于结构扰动的黑盒攻击对带有理论保证的图神经网络

    本文主要研究黑盒攻击下的图神经网络，提出一种基于赌徒技巧的在线优化攻击方法，证明其具有亚线性的复杂度和理论保障，实验结果表明该攻击方法既有效又高效。

    May, 2022

  • 图卷积神经网络的稳定性：小扰动分析视角

    本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题，通过导出了一个新的界限，明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异，该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。在此基础上，我们定量地描述了特定边的扰动对网络稳定性的影响，并利用小扰动分析工具来以闭合但近似的形式表达界限，以提高结果的解释性，而无需计算任何扰动移位运算符。最后，我们对所提出的界限的有效性进行了数值评估。

    Dec, 2023