中毒攻撃に対して防御するための不確実性マッチンググラフニューラルネットワーク【JST・京大機械翻訳】

Shanthamallu Uday Shankar; Thiagarajan Jayaraman J.; Spanias Andreas

プレプリント

J-GLOBAL ID：202202202486006559 整理番号：22P0195721

中毒攻撃に対して防御するための不確実性マッチンググラフニューラルネットワーク【JST・京大機械翻訳】

Uncertainty-Matching Graph Neural Networks to Defend Against Poisoning Attacks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年09月30日プレプリントサーバーでの情報更新日： 2020年09月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフ構造化データに対するニューラルネットワークの一般化であるグラフニューラルネットワーク(GNN)は,グラフのエンティティ間のメッセージパスを用いてしばしば実行される。GNNはノード分類,リンク予測およびグラフ分類に対して有効であるが,それらは敵対攻撃に対して脆弱であり,すなわち,構造に対する小さな摂動は,非自明な性能劣化に導くことができる。本研究では,GNNモデルのロバスト性の改善を目的とする不確実性マッチングGNN(UM-GNN)を提案し,特にグラフ構造に対する被毒攻撃に対して,メッセージパッシングフレームワークからの認識的不確実性をレバレッジすることによる。より具体的には,グラフ構造に直接アクセスしない代理予測子を構築するが,新しい不確実性マッチング戦略を通して標準GNNから信頼できる知識を系統的に抽出することを提案する。面白いことに,この脱共役は,UM-GNN免疫を設計によって回避攻撃に免疫し,中毒攻撃に対して著しく改善されたロバスト性を達成した。標準ベンチマークおよび一連のグローバルおよびターゲット攻撃による経験的研究を用いて,最新のロバストGCNを含む既存のベースラインと比較して,UM-GNNの有効性を実証した。【JST・京大機械翻訳】

, , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

ニューロコンピュータ , 人工知能

, , , , ,

前のページに戻る