[論文レビュー] Power up! Robust Graph Convolutional Network against Evasion Attacks based on Graph Powering.

Ming Jin, Heng Chang+2 more|arXiv (Cornell University)|May 24, 2019

Advanced Graph Neural Networks参考文献 40被引用数 21

ひとこと要約

本稿では、スペクトル分離を可能にするグラフパワーに基づく演算子に標準ラプラシアン演算子を置き換えることで、悪意ある攻撃に対して耐性を持つ堅牢なグラフ畳み込みネットワーク（GCN）アーキテクチャを提案する。この手法は滑らかにしたグラフの族を学習に用いることで一般化性能を向上させ、クリーンデータ上の性能を損なうことなく、より高い耐性、表現力、解釈可能性を達成する。

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.

研究の動機と目的

• GCNのトポロジー的悪意攻撃に対する脆弱性を解消すること。
• 標準GCNで用いられるラプラシアン演算子に内在する根本的欠陥を特定すること。
• より優れたスペクトル分離を実現する新しい演算子を開発し、耐性を向上させること。
• 滑らかなグラフ構造の族にわたる一般化を可能にする学習パラダイムを設計すること。
• 健全な状態と攻撃的状態の両方で性能を維持しつつ、モデルの表現力と解釈可能性を向上させること。

提案手法

• GCNにおける古典的ラプラシアン演算子を、グラフパワーに基づく演算子に置き換えることで、スペクトル特性を改善する。
• グラフパワー演算子がスペクトル分離を可能にすることを証明し、耐性の向上に寄与することを示す。
• グラフパワーを用いてトポロジー的変動の範囲をカバーする滑らかなグラフの族を構築する。
• このグラフの族を用いてGCNを学習させることで、一般化性能と悪意攻撃に対する耐性を向上させる。
• 新しい演算子をGCNアーキテクチャに組み込むことで、表現力と解釈可能性を高める。
• 滑らかなグラフの族にわたるマルチスケール学習戦略を採用し、安定性と性能を確保する。

実験結果

リサーチクエスチョン

• RQ1 修正されたグラフ演算子は、GCNの悪意攻撃に対する耐性を向上させ得るか？
• RQ2 グラフパワーは、標準ラプラシアンと比較して、GCNにおけるより優れたスペクトル分離を提供するか？
• RQ3 滑らかなグラフの族を用いた学習は、健全な状態と攻撃的状態の両方で一般化性能を向上させるか？
• RQ4 新しい演算子は、古典的ラプラシアンと比較して、モデルの表現力と解釈可能性にどのように影響を与えるか？
• RQ5 演算子の再設計によって耐性を向上させつつ、クリーンデータ上の高い性能を維持することは可能か？

主な発見

• 提案されたグラフパワー演算子は、標準ラプラシアンと比較して優れたスペクトル分離を達成し、耐性が向上する。
• 本手法は、クリーン（健全）なグラフにおいても高い性能を維持しながら、悪意攻撃に対する耐性を顕著に向上させる。
• 滑らかなグラフの族を用いた学習により、多様なトポロジー的摂動に対して優れた一般化性能が得られる。
• パワー演算子の向上したスペクトル特性のおかげで、新しいアーキテクチャはモデルの表現力を向上させる。
• 構造的で滑らかなグラフ表現を用いることで、モデルの挙動がより透明になるため、解釈性が向上する。
• 広範な実験により、本手法が健全な状況と攻撃的状況の両方で有効であることが確認された。