#今日论文推荐# AAAI 2022|对抗攻击鲁棒的异质图神经网络
异构图神经网络(Heterogeneous Graph Neural Networks, HGNNs)近年来受到越来越多的关注,并在许多任务中取得了突出的性能。然而,尽管它们被广泛使用,我们发现它们对于对抗攻击并不鲁棒。在本研究中,我们首先系统地研究了HGNNs的鲁棒性,并展示了在目标节点和hub节点(节点度高)之间添加对抗边可以很容易地欺骗HGNNs。此外,我们给出了造成HGNNs漏洞的两个关键原因:一种是扰动放大效应,HGNNs没有编码转移概率,因此会放大对抗hub邻居的影响;另一种是软注意机制,即这种机制会给明显不可靠的邻居赋予恒正的注意力值。基于这两个事实,我们提出了一种新的鲁棒HGNNs框架RoHe,通过配置一个注意力净化器,可以根据拓扑和特征对恶意邻居进行剪枝。具体来说,为了解决对抗扰动的放大效应,我们引入基于元路径的转移概率作为净化器的先验,抑制恶意邻居对于对抗hub邻居的信心。然后,净化器会学着mask掉低置信度的邻居,从而消除软注意机制中恶意邻居的负面影响。在不同基准数据集上对多个HGNNs(HAN,MAGNN,GTN)[1,2,3]进行了大量实验,在对抗性攻击下HGNNs的显著改进将证明我们的防御框架的有效性和泛化能力。
论文题目:Robust Heterogeneous Graph Neural Networks against Adversarial Attacks
详细解读:https://www.aminer.cn/research_report/62a85ad67cb68b460fd261e8?download=false
AMiner链接:https://www.aminer.cn/?f=cs