#今日论文推荐#AAAI 2022 | 对抗攻击鲁棒的异质图神经网络

#今日论文推荐#AAAI 2022 | 对抗攻击鲁棒的异质图神经网络

异质图神经网络 (Heterogeneous Graph Neural Networks, HGNNs) 近年来受到越来越多的关注，并在许多任务上取得了杰出的表现。然而其对对抗攻击的鲁棒性不是很好。本文介绍并解释了 HGNN 不能很好应对对抗攻击的两大原因：扰动放大效应 (perturbation enlargement effect) 和软注意力机制 (soft attention mechanism)。
接着提出了新的鲁棒 HGNN 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，本文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。

真实世界中有很多数据集可以利用异质图 (Heterogeneous Graphs, HGs) 进行建模。异质图中包含多种对象和联系。如图 1a，异质图中含有三类对象，分别是 Author(A)，Paper(P)，Subject(S)，以及两类联系，P-A 和 P-S。由于异质图中包含丰富的高阶结构信息，元路径 (metapath) 可被用于描述这样的信息，比如 P-A-P (同一作者发表的论文) 和 P-S-P (同一主题下的论文)。
为了测试 HGNN 的鲁棒性，在 ACM 数据集上进行逃逸对抗攻击测试(在测试阶段进行扰动)，测试结果如图 1b 所示。与 GCN 的准确性仅下降 3 个点相比，所有的 HGNN (HAN, MAGNN, GTN) 的表现均大幅下降，平均为 28 个点。这表明 HGNN 相比 GCN 对于对抗攻击的鲁棒性较差。
如图 1a 所示，一个对抗攻击的例子是在原有的异质图中添加一条不存在的边 (p1, a3, 红色虚线)，这将会导致恶意的论文结点 p4-p66 在元路径 P-A-P 下成为 p1 的直接邻居。即使它们被分配了较小的注意值，它们仍然可以主导 HAN 中的接受域。

论文题目：Robust Heterogeneous Graph Neural Networks against Adversarial Attacks
详细解读：https://www.aminer.cn/research_report/62fcffc27cb68b460f058239https://www.aminer.cn/research_report/62fcffc27cb68b460f058239
AMiner链接：https://www.aminer.cn/?f=cs