Метрика математической сложности снижает уязвимости графовых нейросетей без дообучения
Графовые нейронные сети (GNN) добились замечательных успехов в различных приложениях, однако они остаются очень уязвимыми для состязательных атак, которые злонамеренно нарушают структуру графа. Существующим средствам защиты часто не хватает строгой теоретической подготовки, они полагаются на эвристику, специфичную для атак, или требуют дорогостоящих процедур переподготовки, таких как состязательная подготовка. Чтобы устранить эти ограничения, мы предлагаем Kernel-Complexity Edge Sanitization (KCES), не требующую обучения и независимую от модели среду для защиты от структурных атак. KCES построен на сложности ядра графа (GKC), принципиальной метрике, полученной из матрицы Грама графа, которая появляется в верхней границе обобщения ошибки теста GNN. Исходя из этой границы, мы определяем показатель KC для конкретного ребра, который количественно определяет структурное влияние каждого ребра через вызванное им изменение GKC. Затем KCES выявляет и отсекает края с высоким KC, которые эмпирически обогащаются состязательными возмущениями в результате структурных атак, чтобы смягчить их вредное воздействие. Вычислительно эффективный и масштабируемый, KCES работает как упрощенный этап предварительной обработки без повторного обучения и может быть легко интегрирован с существующими средствами защиты. Обширные эксперименты показывают, что KCES постоянно превосходит репрезентативные надежные базовые показатели при различных настройках атак и эффективно масштабируется до больших графиков. Поддерживаемый теоретическим анализом и обширной эмпирической проверкой, KCES обеспечивает принципиальную и эффективную основу для защиты GNN. Наш код доступен по адресу https://github.com/karpning/KCScore.
## В чем суть открытия Графовые нейронные сети уязвимы для вредоносных структурных возмущений. Kernel-Complexity Edge Sanitization отсекает ребра с высоким уровнем риска, используя новую математическую метрику сложности графа, не требуя дорогостоящего переобучения модели. ## Как это устроено: принцип работы Очистка ребер Kernel-Complexity вычисляет оценку сложности ядра для каждого ребра на основе сложности ядра графа — метрики, полученной из матрицы Грама графа в верхних границах обобщения. Края с высоким влиянием на сложность идентифицируются как состязательный шум и отсекаются перед выводом. Эта легкая очистка динамически очищает структуру графа, оставаясь при этом полностью свободной от обучения и независимой от модели. ## Что это меняет на практике Обеспечивает защиту в режиме реального времени с низкими издержками для критически важных систем графовых нейронных сетей, позволяя организациям защищать графические приложения без чрезмерного вычислительного состязательного переобучения. ## Границы метода и риски Опирается на предположение, что состязательные возмущения концентрируют высокие изменения оценки сложности ядра, которые могут быть менее эффективными против очень тонких, неструктурных или только функциональных векторов атак. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Generalization test error upper bound, graph kernel complexity score, edge pruning accuracy, robustness against structural adversarial graph attacks, and computational scalability across diverse graph datasets. - **Размер выборки / валидация:** N = Multiple benchmark graph datasets under structural adversarial attack scenarios. - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)