أمثلة معادية على بيانات الرسوم البيانية: رؤى عميقة في الهجوم والدفاع

تحقق نماذج التعلم العميق للرسوم البيانية، مثل الشبكات التلافيفية للرسوم البيانية (GCN)، أداءً ملحوظًا في مهام بيانات الرسوم البيانية. بالمثل مع أنواع النماذج العميقة الأخرى، غالبًا ما تعاني نماذج التعلم العميق للرسوم البيانية من هجمات معادية. ومع ذلك، مقارنةً ببيانات غير الرسوم البيانية، فإن الميزات المتقطعة، والارتباطات الرسومية، والتعريفات المختلفة للاختلالات غير الملحوظة تقدم تحديات فريدة وفرصًا للهجمات والدفاعات المعادية لبيانات الرسوم البيانية. في هذه الورقة، نقترح تقنيات الهجوم والدفاع. بالنسبة للهجوم، نظهر أن مشكلة التقطع يمكن حلها بسهولة من خلال إدخال التدرجات المدمجة التي يمكن أن تعكس بدقة تأثير اضطراب ميزات معينة أو حواف، بينما لا تزال تستفيد من الحسابات المتوازية. بالنسبة للدفاع، نلاحظ أن الرسم البياني الذي تم التلاعب به بشكل عدائي للهجوم المستهدف يختلف إحصائيًا عن الرسوم البيانية العادية. استنادًا إلى هذه الملاحظة، نقترح نهج دفاعي يقوم بفحص الرسم البياني واستعادة الاختلالات العدائية المحتملة. تُظهر تجاربنا على عدد من مجموعات البيانات فعالية الطرق المقترحة.