得益于消息传递机制，图神经网络 (GNN) 在图数据上的蓬勃发展任务上取得了成功。然而，最近的研究表明，攻击者可以通过恶意修改图结构来灾难性地降低 GNN 的性能。「解决此问题的解决方案是通过学习两个端节点的成对表示之间的度量函数来对边权重进行建模」，该函数为对抗性边分配低权重。现有方法使用原始特征或 GNN 学习的表示来对边权重进行建模。然而，这两种策略都面临着一些直接的问题：「原始特征不能代表节点的各种属性」（例如，结构信息），而有 GNN 学习的表示可能会受到有噪声图的影响。本文的目标是学习编码特征信息和结构信息，并且对结构扰动不敏感的表示。

为此，本文提出了一个名为 STABLE 的无监督pipeline来优化图结构，最后将精细化的图输入到下游分类器中。对于这一部分，本文设计了一个新的GCN，它在不增加时间复杂度的情况下显着增强了 GCN 的鲁棒性。在四个真实世界图基准上进行的大量实验表明，STABLE 优于最先进的方法并成功防御了各种攻击。

本文的主要贡献有：

  • 提出了一种具有鲁棒性增强的对比方法来获得用于结构细化的表示，该方法可以有效地捕获节点的结构信息并且对扰动不敏感。
  • 本文进一步探讨了 GCN 缺乏鲁棒性的原因，并提出了一种更鲁棒的归一化技巧。
  • 在四个真实世界数据集上进行的大量实验表明，STABLE 可以防御不同类型的对抗性攻击，并优于最先进的防御模型。

「链接」：https://dl.acm.org/doi/10.1145/3534678.3539484

 

方法介绍

整体架构

该框架的示意图如下图所示。它由两个主要组件组成，结构学习网络和GCN 分类器。结构学习网络可以进一步分为表示学习和图细化两部分。对于表示学习部分，本文设计了一种新颖的对比学习方法，该方法具有面向鲁棒性的图数据增强，可随机恢复去除的边。然后根据同质假设利用学习的表示来修改结构。最后，在分类步骤中，通过观察对抗性边连接的节点具有哪些属性，本文仔细改变了 GCN 中的重整化技巧以提高鲁棒性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除