通过监测早期训练表示进行稳健子图学习

Mar, 2024

通过监测早期训练表示进行稳健子图学习

Robust Subgraph Learning by Monitoring Early Training Representations

Sepideh Neshatfar, Salimeh Yasaei Sekeh

TL;DR本文提出了一种名为 SHERD（通过早期训练表示距离实现子图学习 Hale）的新技术，该技术通过在部分训练的图卷积网络（GCN）的层之间利用信息，使用标准距离度量来检测对抗攻击中的易受攻击节点。该方法识别出 “易受攻击（坏）” 的节点，并移除这些节点以形成一个稳健的子图，同时保持节点分类性能。通过实验证明，SHERD 在提高稳健性方面的性能显著提升，并在节点分类准确性和计算复杂度方面优于几个基线模型。

Abstract

graph neural networks (GNNs) have attracted significant attention for their outstanding performance in graph learning and node classification tasks. However, their vulnerability to adversarial attacks, particular

graph neural networks adversarial attacks graph summarization sherd robustness

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

HC-Ref: 针对图神经网络的稳健对抗训练的分层约束优化

近期的研究表明，通过恶意修改图结构或节点特征，攻击者可以严重降低 GNN 的性能。对抗性训练被证明是计算机视觉中最有效的对抗攻击防御机制之一，对于增强 GNN 的稳健性具有巨大潜力。本文提出了一种基于鲁棒对抗训练的分层约束优化框架（HC-Ref），分别增强 GNN 和下游分类器的抗扰动能力，从而提高了稳健性。我们提出了相应的对抗正则化项，有助于根据不同层的特征，自适应缩小正常部分和扰动部分之间的领域差距，促进预测分布的平滑性。此外，现有的图鲁棒对抗训练研究主要集中在从节点特征扰动的角度进行训练，很少考虑图结构的变化。本文通过利用图结构扰动生成对抗样本，为防御基于拓扑变化的攻击方法提供了有效途径。在两个实际图数据集上的大量实验表明，HC-Ref 成功抵御了各种攻击，并相比几种基线方法具有更好的节点分类性能。

Dec, 2023

GNNGuard: 防御图神经网络的对抗攻击

GNNGuard 是一个通用的算法，可以防御基于离散图形结构的多种训练时攻击，利用图形结构和节点特征之间的关系减轻攻击的负面影响，通过将更高的权重分配给连接相似节点的边，修剪不相关节点之间的边，这种方法在不同数据集和攻击条件下表现出 15.3％的优越性。

Jun, 2020

知识图谱表示学习的对抗鲁棒性

知识图谱是企业应用中智能决策所必需的关于世界事实知识的概念关系，学习知识图谱嵌入（KGE）模型可以有效地推断新知识。然而，该论文指出，现有的 KGE 模型容易受到数据污染攻击，在预测任务中存在安全漏洞，因此提出了两种新颖的数据污染攻击方法，旨在解决这一问题。

Sep, 2022

自主引导的鲁棒图结构优化

在本文中，我们提出了一种自导向的图结构加强 (GSR) 框架 (SG-GSR)，该框架利用给定的受攻击图中发现的一个干净的子图。此外，为了应对干净子图提取中的两个技术挑战，即结构信息的丢失和不平衡节点度分布，我们提出了一种新颖的图扩充和群体训练策略。广泛的实验证明了 SG-GSR 在各种情况下的有效性，包括非目标攻击、有针对性的攻击、特征攻击、电子商务欺诈和嘈杂节点标签。

Feb, 2024

图形通用对抗防御 (GUARD)

本研究提出了一种基于 Graph Universal Adversarial Defense (GUARD) 的简单而有效的方法，通过生成一个通用防御补丁来保护每个节点免受攻击，并在多个对抗攻击中显著提高了已建立的 GCN 的鲁棒性，并且该方法超越了目前的最先进的防御方法。

Apr, 2022

图上反对抗免疫实现可证明的稳健性

本文提出了一种名为 AdvImmune 的算法，它通过耗费仅 5% 的边缘预算，通过优化元梯度以离散的方式解决敌对免疫问题，从而使得图表具有可证实的稳健性，实验证明该算法在两个引用网络和一个社交网络上可以显著提高稳健节点的比例。

Jul, 2020

可靠的表征使得防御更强：用于鲁棒性图神经网络的无监督结构细化

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

对图神经网络在节点特征攻击下的预期鲁棒性进行界定

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