一种面向图神经网络的图重构防御方法

陈晋音 黄国瀚 张敦杰 张旭鸿 纪守领

1(浙江工业大学网络空间安全研究院 杭州 310023) 2(浙江工业大学信息工程学院 杭州 310023) 3(浙江大学控制科学与工程学院 杭州 310007) 4(浙江大学计算机科学与技术学院 杭州 310007)

随着深度学习的兴起，图神经网络(graph neural network, GNN)成为了获取图节点特征和关系的有效工具之一.图神经网络可以通过训练获得节点或连边的低维表达，并应用在不同下游任务中，例如：节点分类[1]、链路预测[2]、图分类[3]、社区发现[4]等.尽管图神经网络在图表示学习领域取得了的成功，但是一些研究[5-7]表明:图神经网络容易受到对抗样本的攻击，即对抗样本中加入的扰动是经过精心设计并且是细微的，具有隐蔽性且能使得GNN失效.已有研究表明：现实应用已经受到攻击，例如在电子商务领域，网络水军集中撰写大量的虚假评论将使电商平台的点评系统和推荐系统产生错误判断，给真实的消费者错误的消费引导；在社交媒体网络中，虚假新闻如果不能被有效检测，则有可能导致谣言传播并引起恐慌.因此，如何提高图神经网络的鲁棒性至关重要.

目前，已经提出了许多对抗攻击算法用于图神经网络漏洞发现，主要策略包括：添加连边或删除连边[5-7]和添加虚假节点[8-9].这些攻击的目的在于通过操纵某些节点或连边，直接或间接影响目标节点的表达，或使图神经网络模型的全局性能下降.针对这些对抗攻击，研究者提供了不同的防御策略：1)对抗训练[10-11]，将对抗样本和干净样本混合训练模型，提升模型对已知对抗攻击的防御能力；……