复杂网络对图卷积网络鲁棒性的影响
摘要：顶点分类：利用图中节点的类标识来识别问题，在各种领域具有实际应用性。例如，在引用网络中对论文的主题进行分类，或者在计算机网络中对机器的角色进行分类。利用图卷积网络进行顶点分类容易受到有针对性的污染攻击，攻击者可以改变图的结构和节点属性，以试图对目标节点进行错误分类。这种漏洞会降低用户对学习方法的信心，并可能妨碍其在高风险环境中的应用。已经提出了一些防御方法，重点是在创建模型之前过滤边缘或更加稳健地汇总邻居的信息。本文考虑了另一种替代方法：我们利用训练数据选择过程中的网络特性来提高顶点分类器的鲁棒性。 我们提出了两种选择训练数据的替代方法：（1）选择度最高的节点和（2）迭代选择与训练集连接最小的邻居节点。我们展示了在原始攻击演示的数据集中，改变训练集可以使网络更难攻击。为了保持一定的攻击成功率，攻击者必须使用更多的扰动；通常比随机选择训练样本基线多出2-4倍。这些训练集选择方法通常与最近发表的防御方法结合使用，提供更高的鲁棒性。虽然增加随机选择的训练数据量有时可以获得更鲁棒的分类器，但所提出的方法可以更大幅度地提高鲁棒性。我们还进行了模拟研究，展示了在控制图拓扑结构、标签同质性和节点属性的条件下，每种方法都优于另一种方法的情况。
作者：Benjamin A. Miller and Kevin Chan and Tina Eliassi-Rad
论文ID：2308.05498
分类：Social and Information Networks
分类简称：cs.SI
提交时间：2023-08-11