[论文解读] 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 21

一句话总结

本文提出一种对逃避攻击具有鲁棒性的图卷积网络（GCN）架构，通过用基于图幂运算的算子替代标准拉普拉斯算子，实现频谱分离。该方法在一系列平滑图上进行训练，以增强泛化能力，在不牺牲干净数据性能的前提下，实现了更高的鲁棒性、表达能力和可解释性。

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.

研究动机与目标

• 解决GCN在拓扑逃避攻击下的脆弱性问题。
• 识别标准GCN中使用的拉普拉斯算子的根本缺陷。
• 开发一种具有更好频谱分离特性的新型算子，以提升鲁棒性。
• 设计一种可在平滑图结构上泛化的训练范式。
• 在保持良性与对抗性条件下性能的同时，提升模型的表达能力和可解释性。

提出的方法

• 用基于图幂运算的算子替代GCN中的经典拉普拉斯算子，以改善频谱特性。
• 证明图幂运算算子能够实现频谱分离，从而增强鲁棒性。
• 通过图幂运算构建一系列平滑图，以覆盖多种拓扑变化。
• 在该组图上训练GCN，以提升泛化能力与对抗鲁棒性。
• 将新算子作为替代方案集成到GCN架构中，以增强表达能力与可解释性。
• 在平滑图上采用多尺度训练策略，以确保稳定性和性能。

实验结果

研究问题

• RQ1 修改后的图算子是否能提升GCN对逃避攻击的鲁棒性？
• RQ2 与标准拉普拉斯算子相比，图幂运算是否能在GCN中提供更好的频谱分离？
• RQ3 在一组平滑图上进行训练是否能提升在良性与对抗性场景下的泛化能力？
• RQ4 与经典拉普拉斯算子相比，新算子如何影响模型的表达能力与可解释性？
• RQ5 是否可能在通过算子重构提升鲁棒性的同时，保持在干净数据上的高性能？

主要发现

• 所提出的图幂运算算子相比标准拉普拉斯算子实现了更优的频谱分离，从而增强了鲁棒性。
• 该方法在保持干净（良性）图上高性能的同时，显著提升了对逃避攻击的鲁棒性。
• 在一组平滑图上进行训练可提升对多样化拓扑扰动的泛化能力。
• 由于幂运算算子增强的频谱特性，新架构表现出更高的模型表达能力。
• 通过使用结构化、平滑的图表示，该方法通过使模型行为更加透明，提供了更高的可解释性。
• 大量实验验证了该方法在干净与对抗性场景下的有效性。