- EDoG: Обнаружение состязательных краев для графовых нейронных сетей (arXiv)
Автор: Сяоцзюнь Сюй, Юэ Ю, Ханьчжан Ван, Алок Лал, Карл А. Гюнтер, Бо Ли.
Аннотация: графовые нейронные сети (GNN) широко применяются для решения различных задач, таких как биоинформатика, разработка лекарств и социальные сети. Однако недавние исследования показали, что GNN уязвимы для состязательных атак, которые стремятся ввести в заблуждение предсказание классификации узлов или подграфов, добавляя тонкие возмущения. Обнаружение этих атак является сложной задачей из-за небольшой величины возмущения и дискретного характера графических данных. В этой статье мы предлагаем общий конвейер обнаружения состязательных краев EDoG, не требуя знания стратегий атаки, основанных на генерации графа. В частности, мы предлагаем новый подход к созданию графов в сочетании с прогнозированием ссылок для обнаружения подозрительных враждебных границ. Чтобы эффективно обучить генеративную модель графа, мы выбираем несколько подграфов из данных данного графа. Мы показываем, что, поскольку количество состязательных ребер на практике обычно невелико, с малой вероятностью отобранные подграфы будут содержать состязательные ребра на основе границы объединения. Кроме того, учитывая сильные атаки, которые нарушают большое количество ребер, мы предлагаем набор новых функций для обнаружения выбросов в качестве предварительной обработки для нашего обнаружения. Обширные экспериментальные результаты на трех реальных наборах данных графов, включая набор данных частных правил транзакций от крупной компании и два типа синтетических графов с контролируемыми свойствами, показывают, что EDoG может достичь AUC выше 0,8 против четырех современных невидимых стратегий атак, не требуя каких-либо знаний о типе атаки; и около 0,85 при знании типа атаки. EDoG значительно превосходит традиционные базовые показатели обнаружения вредоносных краев. Мы также показываем, что адаптивную атаку с полным знанием нашего конвейера обнаружения трудно обойти.
2.BoundED: Обнаружение нейронных границ и краев в трехмерных облаках точек с помощью статистики по локальным соседям (arXiv)
Автор: Лукас Боде, Майкл Вайнманн, Рейнхард Кляйн.
Аннотация: Извлечение структурной информации высокого уровня из трехмерных облаков точек является сложной задачей, но необходимой для таких задач, как городское планирование или автономное вождение, требующих глубокого понимания происходящего. Существующие подходы по-прежнему не способны стабильно давать высококачественные результаты, будучи достаточно быстрыми, чтобы их можно было развернуть в сценариях, требующих интерактивности. Мы предлагаем использовать новый набор функций, описывающих локальное соседство для каждой точки с помощью статистики первого и второго порядка, в качестве входных данных для простой и компактной сети классификации, чтобы различать нереберные, остроконечные и граничные точки в заданных данных. Использование этой встроенной функции позволяет нашему алгоритму превзойти самые современные методы с точки зрения качества и времени обработки.
