Enhancing Node-Level Adversarial Defenses by Lipschitz Regularization of Graph Neural Networks

[2nazero]

https://dl.acm.org/doi/pdf/10.1145/3580305.3599335

@inproceedings{jia2023enhancing,
  title={Enhancing node-level adversarial defenses by lipschitz regularization of graph neural networks},
  author={Jia, Yaning and Zou, Dongmian and Wang, Hongfei and Jin, Hai},
  booktitle={Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining},
  pages={951--963},
  year={2023}
}

[2nazero]

Graph neural networks (GNNs)는 몇 가지 취약점들이 있다.

• 메시지 전달 방식의 민감성: 그래프의 구조나 노드 특성이 조금이라도 변형되면, 이러한 정보 전달 과정이 왜곡되어 성능이 크게 영향을 받을 수 있다.
• 노드와 엣지 간 상호 의존성: GNN에서는 모든 노드가 이웃 노드의 정보를 통합하여 특성을 계산하기 때문에 특정 노드나 엣지가 공격을 받아 변형되면, 그 영향이 주변 노드로 전파되면서 전체 그래프의 예측 성능을 저하시킬 수 있다.

이러한 이유로 Lipschitz 상수가 신경망의 안정성을 평가하기 위해 도입이 되었다. GNN의 Lipschitz 상수가 크면 입력의 작은 변형이 출력에 큰 영향을 미칠 수 있다는 것을 의미한다.

이 논문에서는 GNN의 각 계층에 대해 Lipschitz 상수를 계산하고 이를 기반으로 정규화하여, 모델이 공격에 대해 더 강인해지도록 설계하였다.