PulseAugur
中
实时 09:59:42
English(EN) Boosting Graph Robustness Against Backdoor Attacks: An Over-Similarity Perspective

新的防御方法SimGuard对抗GNN后门攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为SimGuard的新防御方法，用于保护图神经网络（GNN）免受后门攻击。该方法利用了过相似性观察，注意到GNN中的恶意触发器通常在特征和结构上与干净节点具有过度的相似性。SimGuard使用基于相似性的度量来检测这些触发器，并采用对比学习来训练一个检测器，该检测器能有效地将恶意触发器与合法数据分开，从而保持网络在干净节点上的性能。 AI

影响 增强了图神经网络的安全性和可靠性，可能使其在敏感应用中得到更广泛的应用。

排序理由 该集群包含一篇研究论文，详细介绍了一种防御图神经网络攻击的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Chang Liu, Hai Huang, Yujie Xing, Xingquan Zuo ·

    Boosting Graph Robustness Against Backdoor Attacks: An Over-Similarity Perspective

    arXiv:2502.01272v3 Announce Type: replace Abstract: Graph Neural Networks (GNNs) have achieved notable success in tasks such as social and transportation networks. However, recent studies have highlighted the vulnerability of GNNs to backdoor attacks, raising significant concerns…

相关实体

相关话题