arXiv 机器学习· Farid Mafi, Saber Jafarpour, Mohammad Pirani·· 9 小时前AI 评分38
图神经网络对抗攻击与防御的分离原理
A Separation Principle for Adversarial Attacks and Defense of Graph Neural Networks
AI 导读
研究人员提出图神经网络（GNN）特征攻击的分离原理，证明最优特征扰动可解耦为仅依赖图结构与仅依赖模型权重的两个分量。基于该原理的 SepAttack 无需梯度计算，在目标攻击场景下较 Nettack 和 IG-Attack 实现最高约 70x 速度提升且跨架构迁移表现极佳。此外，衍生的对抗训练方法 SepAT 提升了二值特征基准上的模型鲁棒性。
来源：arXiv 机器学习 · arxiv.org