[논문 리뷰] Anonymized GCN: A Novel Robust Graph Embedding Method via Hiding Node Position in Noise.

Ao Liu|arXiv (Cornell University)|2020. 05. 06.

Advanced Graph Neural Networks참고 문헌 71인용 수 5

한 줄 요약

이 논문은 노드 연결 정보를 적대적 훈련 중 노이즈에 숨기는 강건한 그래프 신경망인 Anonymized GCN (AN-GCN)을 제안한다. 이는 노드 번호와 특징만을 사용하여 노드 예측을 가능하게 한다. 잠재 노이즈에서 그래프 구조를 생성하고 생성자-판별자 쌍을 훈련시킴으로써 AN-GCN은 강건성을 향상시키고 노드 예측 작업에서 0.0293의 정확도 향상을 달성한다.

ABSTRACT

Graph convolution network (GCN) have achieved state-of-the-art performance in the task of node prediction in the graph structure. However, with the gradual various of graph attack methods, there are lack of research on the robustness of GCN. At this paper, we will design a robust GCN method for node prediction tasks. Considering the graph structure contains two types of information: node information and connection information, and attackers usually modify the connection information to complete the interference with the prediction results of the node, we first proposed a method to hide the connection information in the generator, named Anonymized GCN (AN-GCN). By hiding the connection information in the graph structure in the generator through adversarial training, the accurate node prediction can be completed only by the node number rather than its specific position in the graph. Specifically, we first demonstrated the key to determine the embedding of a specific node: the row corresponding to the node of the eigenmatrix of the Laplace matrix, by target it as the output of the generator, we designed a method to hide the node number in the noise. Take the corresponding noise as input, we will obtain the connection structure of the node instead of directly obtaining. Then the encoder and decoder are spliced both in discriminator, so that after adversarial training, the generator and discriminator can cooperate to complete the encoding and decoding of the graph, then complete the node prediction. Finally, All node positions can generated by noise at the same time, that is to say, the generator will hides all the connection information of the graph structure. The evaluation shows that we only need to obtain the initial features and node numbers of the nodes to complete the node prediction, and the accuracy did not decrease, but increased by 0.0293.

연구 동기 및 목표

• 노드 예측 작업에서 GCN 모델에 대한 그래프 구조 공격의 증가하는 위협을 해결하기 위해.
• 노드 예측을 구조적 위치 정보에 의존하지 않도록 분리하여 GCN의 강건성을 향상시키기 위해.
• 원래 그래프 구조에 접근하지 않고도 노드 번호와 특징만을 사용하여 정확한 노드 예측을 가능하게 하는 방법을 설계하기 위해.
• 연결 정보를 잠재 노이즈에 숨기는 생성 프레임워크를 개발하여 모델의 내성 강도를 향상시키기 위해.

제안 방법

• 생성자는 무작위 노이즈에서 그래프 연결 구조를 생성하도록 훈련되어, 실제 노드 위치를 효과적으로 가림으로써 그래프 내에서 숨긴다.
• 생성자의 출력은 노드 번호와 노이즈에 조건화되며, 라플라시안 행렬의 행이 해당 노드에 대응하여 목표 출력으로 사용된다.
• 에ncoder 및 디코더 브랜치에서 함께 훈련되는 판별자가 실재와 생성된 그래프 구조를 구분하도록 훈련되어 적대적 훈련을 가능하게 한다.
• 생성자는 오직 노드 특징과 번호만을 인코딩함으로써, 노드 임베딩이 구조적 위치에 대해 불변이 되도록 학습한다.
• 프레임워크는 생성자가 노이즈만으로 연결 패턴을 재구성하도록 보장하기 위해 적대적 훈련을 사용한다.
• 훈련 후 생성자는 노이즈에서 모든 노드 위치를 생성할 수 있어, 효과적으로 그래프 구조를 익명화한다.

실험 결과

연구 질문

• RQ1 그래프 내에서 명시적 구조적 위치 정보에 의존하지 않도록 노드 예측을 강건하게 만들 수 있는가?
• RQ2 예측 정확도를 유지하면서 생성 모델이 잠재 노이즈에 연결 정보를 효과적으로 숨길 수 있는가?
• RQ3 생성자와 판별자 간의 적대적 훈련이 그래프 구조 공격에 대한 강건성을 향상시키는가?
• RQ4 원래 그래프 구조에 접근하지 않고도 노드 번호와 초기 특징만을 사용하여 정확한 노드 예측을 수행할 수 있는가?

주요 결과

• AN-GCN은 기준 GCN 모델 대비 0.0293의 정확도 향상을 달성하여 노드 예측 정확도를 향상시켰다.
• 공격자가 그래프 연결을 수정하더라도 모델은 높은 성능을 유지하여 강건성이 향상됨을 보였다.
• 생성자는 노이즈에서 그래프 구조를 성공적으로 학습하여 노드 위치를 효과적으로 익명화했다.
• 노드 예측은 구조적 토폴로지에 의존하지 않고 노드 번호와 초기 특징만을 사용하여 가능했다.
• 적대적 훈련 과정을 통해 생성자와 판별자는 함께 강건하고 일반화 가능한 그래프 표현을 학습했다.
• 이 방법은 잠재 공간에 연결 정보를 효과적으로 숨겨 구조적 그래프 공격에 대한 취약성을 감소시켰다.