-
题名结合对比学习的图神经网络防御方法
被引量：3
- 1
-
-
作者
陈娜
黄金诚
李平
-
机构
西南石油大学计算机科学学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第8期1949-1960,共12页
-
基金
国家自然科学基金(61873218)
西南石油大学创新基地项目(642)。
-
文摘
尽管图神经网络在图表示学习领域中已取得了较好性能,然而研究表明图神经网络易受图结构对抗攻击,即通过对图结构添加精心设计的扰动会使图神经网络的性能急剧下降。目前,主流的图结构去噪方法虽能有效防御图结构对抗攻击,但由于输入图遭受对抗攻击程度的不确定性,该类方法在输入图未受攻击或攻击强度较小时易产生较多误识别,反而损害图神经网络预测结果。对此,提出一种结合对比学习的图神经网络防御方法(CLD-GNN)。该方法在基于特征相似性去噪的基础上,根据攻击后连边端点间标签不一致的特点,使用标签传播算法获取未标记节点的伪标签,基于连边端点间伪标签的不一致性去除可能的攻击边,获得净化图;然后分别对净化图和输入图进行图卷积;最后应用对比学习对齐两个图上的预测标签信息,修正净化图节点的特征表示。在图对抗攻击的3个基准数据集、2个攻击场景上进行防御实验,实验结果表明,CLDGNN不仅缓解了图去噪方法损害节点分类预测效果问题,而且还能在较强攻击场景下表现出较优异的防御能力。
-
关键词
图神经网络
图结构对抗攻击
图神经网络防御
-
Keywords
graph neural network
graph structure adversarial attacks
graph neural network defense
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名双侧鲁棒增强的图节点分类模型
- 2
-
-
作者
沈雅文
李平
-
机构
西南石油大学计算机与软件学院
-
出处
《指挥与控制学报》
2025年第5期550-559,共10页
-
基金
国家自然科学基金(62276099)
四川省自然科学基金(2023NSFSCO501)资助。
-
文摘
图表示学习广泛应用于节点分类任务,但在结构投毒攻击下鲁棒性较差,甚至低于基础图卷积神经网络。现有方法主要关注嵌入侧优化,忽略任务侧鲁棒性。提出基于对比学习的双侧鲁棒增强节点分类模型。在嵌入侧,引入基于边曲率的图卷积,增强同类节点的聚合能力,并结合局部-全局对比学习获取鲁棒节点表示。利用节点嵌入重构邻接关系,降低攻击边对表示的影响。在任务侧,结合原始特征与重构结构的多视图信息,优化分类器,使不同视图的输出保持一致,从而提升鲁棒性。在3个基准数据集上,采用无目标攻击、目标攻击及随机攻击进行实验,该模型在对抗攻击下的鲁棒性优于或相当于当前强基线模型,通过嵌入优化与任务增强的双侧协同机制,提高图神经网络在对抗攻击下的稳定性,为图神经网络的安全性研究提供新思路。
-
关键词
图表示学习
半监督节点分类
鲁棒性
结构对抗攻击
多层感知机
-
Keywords
graph representation learning
semi-supervised node classification
robustness
structural adversarial attacks
multi-layer perceptron
-
分类号
O157.5
[理学]
-
