arXiv cs.LG· Farid Mafi, Saber Jafarpour, Mohammad Pirani·· 4 天前AI 评分36
图神经网络对抗攻击与防御的分离原理
A Separation Principle for Adversarial Attacks and Defense of Graph Neural Networks
AI 导读
针对图神经网络（GNN）的研究提出了特征对抗攻击与防御的分离原理，证明最优特征扰动可解耦为仅依赖图结构和仅依赖权重的两项。基于此开发的无梯度攻击方法 SepAttack 相比 Nettack 与 IG-Attack 在目标设定下实现最高约 70x 速度提升，且跨架构迁移性极强。衍生出的对抗训练方法 SepAT 也在二元特征基准上提升了鲁棒性。
来源：arXiv cs.LG · arxiv.org