面向图卷积神经网络鲁棒防御方法

摘要：

近来对图卷积神经网络(GCNs)的研究及其应用日益成熟,虽然它的性能已经达到很高的水准,但GCNs在受到对抗攻击时模型鲁棒性较差.现有的防御方法大都基于启发式经验算法,没有考虑GCNs结构脆弱的原因.最近,已有研究表明GCNs脆弱的原因是非鲁棒的聚合函数.本文从崩溃点和影响函数抗差性角度出发,分析平尾均值函数和均值聚合函数二者的鲁棒性.平尾均值相较于均值函数,其崩溃点更高.平尾均值的影响函数跳跃有界,可抵抗异常值;而均值函数的影响函数无界,对异常值十分敏感.随后在GCNs框架的基础上,通过将图卷积算子中的聚合函数更换为更为鲁棒的平尾均值,提出一种改进的鲁棒防御方法WinsorisedGCN.最后采用Nettack对抗攻击方法研究分析所提出的模型在不同扰动代价下的鲁棒性,通过准确率和分类裕度评价指标对模型性能进行评估.实验结果表明,所提出的防御方案相较于其他基准模型,能够在保证模型准确率的前提下,有效提高模型在对抗攻击下的鲁棒性.

关键词：图卷积神经网络、图对抗训练、鲁棒性

分类号：TP389.1(计算技术、计算机技术)

资助基金：国家自然科学基金;浙江省自然科学基金资助项目

在线出版日期：2023-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：74-80