[논문 리뷰] Power up! Robust Graph Convolutional Network against Evasion Attacks based on Graph Powering.

Ming Jin, Heng Chang외 2명|arXiv (Cornell University)|2019. 05. 24.

Advanced Graph Neural Networks참고 문헌 40인용 수 21

한 줄 요약

이 논문은 정상 데이터에서 성능을 훼손하지 않으면서, 스펙트럼 분리를 가능하게 하는 그래프 푸워링 기반 연산자로 표준 라플라시안 연산자를 대체함으로써, 오용 공격에 강건한 그래프 컨볼루션 네트워크(GCN) 아키텍처를 제안한다. 이 방법은 스무딩된 그래프의 가족을 학습하여 일반화 능력을 향상시키며, 성능 손실 없이도 강건성, 표현력, 해석 가능성 향상을 달성한다.

ABSTRACT

Graph convolutional networks (GCNs) are powerful tools for graph-structured data. However, they have been recently shown to be prone to topological attacks. Despite substantial efforts to search for new architectures, it still remains a challenge to improve performance in both benign and adversarial situations simultaneously. In this paper, we re-examine the fundamental building block of GCN---the Laplacian operator---and highlight some basic flaws in the spatial and domains. As an alternative, we propose an operator based on graph powering, and prove that it enjoys a desirable property of spectral separation. Based on the operator, we propose a robust learning paradigm, where the network is trained on a family of 'smoothed graphs that span a spatial and range for generalizability. We also use the new operator in replacement of the classical Laplacian to construct an architecture with improved robustness, expressivity and interpretability. The enhanced performance and robustness are demonstrated in extensive experiments.

연구 동기 및 목표

• GCN의 위상적 오용 공격에 대한 취약성을 해결하기 위해.
• 표준 GCN에서 사용하는 라플라시안 연산자에 내재된 근본적 결함을 규명하기 위해.
• 더 나은 스펙트럼 분리를 제공하는 새로운 연산자 개발을 위해.
• 스무딩된 그래프 구조에 걸쳐 일반화되는 학습 프레임워크 설계를 위해.
• 양호한 조건과 악성 조건에서 모두 성능를 유지하면서 모델의 표현력과 해석 가능성을 향상시키기 위해.

제안 방법

• GCN의 고전적 라플라시안 연산자를 그래프 푸워링 기반 연산자로 대체하여 스펙트럼 성질을 향상시킨다.
• 그래프 푸워링 연산자가 스펙트럼 분리를 가능하게 하여 강건성을 향상시킴을 증명한다.
• 위상적 변형의 범위를 커버하기 위해 그래프 푸워링을 통해 스무딩된 그래프의 가족을 구성한다.
• 이러한 그래프 가족을 기반으로 GCN을 학습시켜 일반화 능력과 적대적 공격에 대한 강건성을 향상시킨다.
• 새로운 연산자를 GCN 아키텍처에 통합하여 표현력과 해석 가능성을 향상시킨다.
• 안정성과 성능를 확보하기 위해 스무딩된 그래프 위에서 다중 척도 학습 전략을 적용한다.

실험 결과

연구 질문

• RQ1 수정된 그래프 연산자가 GCN의 오용 공격에 대한 강건성을 향상시킬 수 있는가?
• RQ2 그래프 푸워링이 표준 라플라시안보다 GCN에서 더 나은 스펙트럼 분리를 제공하는가?
• RQ3 스무딩된 그래프의 가족을 기반으로 학습함으로써 양호한 조건과 악성 조건에서의 일반화 능력이 향상되는가?
• RQ4 기존 라플라시안 대비 새로운 연산자가 모델의 표현력과 해석 가능성에 어떤 영향을 미치는가?
• RQ5 성능 손실 없이 연산자 재설계를 통해 정상 데이터에서의 높은 성능를 유지하면서 강건성을 향상시킬 수 있는가?

주요 결과

• 제안된 그래프 푸워링 연산자는 표준 라플라시안에 비해 훨씬 뛰어난 스펙트럼 분리를 달성하여 강건성을 향상시킨다.
• 이 방법은 오용 공격에 대해 강건성이 크게 향상되었음에도 불구하고, 정상(양호한) 그래프에서 높은 성능를 유지한다.
• 스무딩된 그래프의 가족을 기반으로 학습함으로써 다양한 위상적 흐트림 상황에서의 일반화 능력이 향상된다.
• 푸워링 연산자의 향상된 스펙트럼 성질 덕분에 새로운 아키텍처가 더 뛰어난 모델 표현력을 보인다.
• 구조적이고 스무딩된 그래프 표현을 통해 모델의 행동이 더 투명해지므로, 더 높은 해석 가능성을 제공한다.
• 광범위한 실험을 통해 이 방법이 정상 및 적대적 상황 모두에서 효과적임을 확인한다.