图卷积神经网络+图深度学习对抗攻击Adversarial Attacks on Neural Networks for Graph Data

最新推荐文章于 2024-05-13 02:01:08 发布

玛卡巴卡米卡巴卡

最新推荐文章于 2024-05-13 02:01:08 发布

阅读量4.6k

点赞数 7

分类专栏：对抗攻击文章标签：对抗攻击Adversarial Attacks

本文链接：https://blog.csdn.net/travalscx/article/details/84677646

版权

0 篇文章 0 订阅

订阅专栏

图卷积神经网络

在这篇论文Adversarial Attacks on Neural Networks for Graph Data中，总结了GCN：
论文中描述了一个单隐层的目的是用来做节点分类的GCN
在这里插入图片描述

此论文是第一个研究attributed graph上进行adversarial attack的工作。

在node的feature和graph的结构上生成微小的adversarial perturbation扰动，来迷惑神经网络，使其无法正常工作。也就是加入小的扰动后，使得GCN无法正常将节点分类。

perturbation都是微小的，网络重要的数据特征都是可以被保留的。

攻击的分类：

作者认为最明显的结构就是图的度degree distribution，并且degree distribution遵从power-law
如果两个图的power-law完全不同，那么图也完全不同
作者想要增加扰动后，使得前后的两个图有相同的power-law

过程：

估计出原图的power-law的指数 $\alpha$
估计一个图的power-law的指数 $\alpha$ 的近似公式如下：

同样，将两个图联合起来，也可以估计一个联合的 $\alpha$
给出 $\alpha$ ，来估计样本Dx的log-likelihood：
有了log-likelihood 公式，我们可以进行显著性测试，估计两个graph是不是来自于同一个power-law distribution。也就是看一看两个图是不是遵守同一个power-law
重点–structure扰动的核心：

添加的structure扰动要满足上述要求，也就是在添加扰动后，两图power-law下的卡方检验的参数t<0.004

采用probabilistic random walker on the co-occurence graph C
也就是使用了在一个特征co-occurence graph上的随机游走

feature co-occurence graph F
C=(F,E)
F是特征的集合，E就是F的邻接矩阵
加入特征i，使得这个特征符合unnoticeable：
要使得他满足unnoticeable，就要满足下面的式子：

也就是说在graph C上进行一步随机行走，要是有相当大的概率能够到达feature i，那么将feature i加入到node u的feature set中就可以认为是unnoticeable的。
我们可以理解成，加入了一个特征，这个特征和其他的特征联系比较大，这样在新图中，更多的点会存在这个特征，相比只有少数的点存在这个特征，更多的有此特征的点的图和原图更相似。