信也科技兩篇論文成功收錄至國(guó)際頂級(jí)學(xué)術(shù)會(huì)議AAAI 2022，圖對(duì)抗攻擊中的“矛”與“盾”

　　近日，由人工智能領(lǐng)域的主要學(xué)術(shù)組織之一 Association for the Advance of Artificial Intelligence(國(guó)際人工智能促進(jìn)協(xié)會(huì))主辦的年會(huì)，也是人工智能國(guó)際頂級(jí)學(xué)術(shù)會(huì)議之一AAAI 2022以線上虛擬會(huì)議的形式召開(kāi)。信也科技(NYSE:FINV)算法智能團(tuán)隊(duì)與浙江大學(xué)楊洋副教授團(tuán)隊(duì)、美國(guó)加州大學(xué)洛杉磯分校(UCLA)孫怡舟教授團(tuán)隊(duì)合作的兩篇論文均被該會(huì)議收錄。

　　AAAI是人工智能領(lǐng)域中歷史最悠久、涵蓋內(nèi)容最廣泛的國(guó)際頂級(jí)學(xué)術(shù)會(huì)議之一，也是中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)推薦的人工智能領(lǐng)域A級(jí)國(guó)際學(xué)術(shù)會(huì)議之一。據(jù)了解，本屆會(huì)議收到來(lái)自全球的 9215 篇投稿論文，而接受率僅為 15%，創(chuàng)歷史新低。信也科技大數(shù)據(jù)團(tuán)隊(duì)與國(guó)內(nèi)外知名教授合作的兩篇論文被該會(huì)議成功收錄，標(biāo)志著信也科技在人工智能領(lǐng)域的研究進(jìn)程中取得了重要的階段性成果。

　　隨著人工智能算法日益廣泛的應(yīng)用，算法的魯棒性和安全性，受到越來(lái)越多的關(guān)注，這也是AAAI2022的熱點(diǎn)議題之一。信也科技本次發(fā)表的兩篇論文正是圍繞圖數(shù)據(jù)的對(duì)抗攻擊，兩篇論文分別研究圖對(duì)抗攻擊中的“矛”與“盾”：在攻擊層面，研究表明，即使在攻擊者僅知道目標(biāo)模型是一個(gè)圖模型，而沒(méi)有任何其他模型信息且無(wú)法與模型做任何互動(dòng)的情況下，依然有可能展開(kāi)有效的攻擊;在防御層面，研究面向圖模型預(yù)訓(xùn)練框架的無(wú)監(jiān)督魯棒表示學(xué)習(xí)算法，通過(guò)一套防御策略便能有效阻斷攻擊者對(duì)各個(gè)不同下游任務(wù)造成的影響。

　　此次會(huì)議中,信也科技在名為《Blindfolded Attackers Still Threatening: Strict Black-Box Adversarial Attacks on Graphs》的論文中展示了其在針對(duì)圖模型的嚴(yán)格黑盒對(duì)抗攻擊中得到的成果，打碎了原有的幻像：只要完美地保護(hù)好模型就能攔截住所有類型的攻擊。事實(shí)上哪怕攻擊者對(duì)模型一無(wú)所知，也是有可能發(fā)起有效攻擊的。

　　據(jù)論文研究，根據(jù)攻擊者所能掌握的關(guān)于圖模型的知識(shí)量，可以把攻擊分為五類(如表1)。其中，本文提出了一種更接近實(shí)際情況的攻擊方式——嚴(yán)格黑盒圖攻擊(STACK)，也就是攻擊者對(duì)被攻擊的模型一無(wú)所知，也無(wú)法通過(guò)查詢模型來(lái)獲取更多信息。相比于人臉識(shí)別等強(qiáng)互動(dòng)的場(chǎng)景，這種情況在規(guī)則復(fù)雜的金融場(chǎng)景尤其常見(jiàn)。這也是本文的第一個(gè)重要貢獻(xiàn)。

　　表1：不同的圖對(duì)抗攻擊，按照攻擊者是否掌握模型的全部 (√ ), 有限 (◯), 或者沒(méi)有 (×)信息來(lái)分類

　　STACK攻擊策略能在更接近真實(shí)場(chǎng)景的情況下去模擬和預(yù)估受攻擊的危害，但同時(shí)也帶來(lái)很大的挑戰(zhàn)。首先，絕大部分已有的圖攻擊策略都是為特定模型設(shè)計(jì)的，無(wú)法拓展到嚴(yán)格黑盒攻擊的設(shè)定下。因此，第一個(gè)挑戰(zhàn)是需要為各種各樣的圖模型找到一個(gè)共同的基石。其次，現(xiàn)有的方法總是需要用模型的預(yù)測(cè)結(jié)果或者替代模型的反饋去衡量攻擊的影響。因此，第二個(gè)挑戰(zhàn)是需要在沒(méi)有來(lái)自被攻擊模型的任何反饋的情況下，有效的定量并且高效的計(jì)算圖攻擊的強(qiáng)度。

　　圖1：針對(duì)圖模型的嚴(yán)格黑盒對(duì)抗攻擊概況

　　本文的第二個(gè)貢獻(xiàn)是，針對(duì)這兩方面挑戰(zhàn)，提出了一個(gè)通用的圖濾波器，適用于各種圖模型 ，并且推導(dǎo)出了一個(gè)高效的攻擊策略來(lái)選擇對(duì)抗的圖數(shù)據(jù)邊(如圖1)。在此基礎(chǔ)上，本文的第三個(gè)貢獻(xiàn)是，通過(guò)大量實(shí)驗(yàn)驗(yàn)證：即使當(dāng)攻擊者對(duì)被攻擊模型一無(wú)所知時(shí)，在節(jié)點(diǎn)分類和圖分類這兩類圖數(shù)據(jù)最重要的應(yīng)用場(chǎng)景上，模型效果都會(huì)因?yàn)楣�擊而大幅下降�?/p>

　　由信也科技發(fā)表的另外一篇題為《Unsupervised Adversarially Robust Representation Learning on Graphs》中，更將研究視角轉(zhuǎn)向了面向圖數(shù)據(jù)的無(wú)監(jiān)督對(duì)抗魯棒表示學(xué)習(xí)。

　　無(wú)監(jiān)督/自監(jiān)督的圖預(yù)訓(xùn)練模型近幾年受到了眾多關(guān)注，并且可以推廣到各種不同的下游應(yīng)用中。然而，圖預(yù)訓(xùn)練模型的對(duì)抗魯棒性仍未被充分探索。該論文中提出，在無(wú)監(jiān)督的圖預(yù)訓(xùn)練框架中(如圖2)，使用魯棒的圖編碼器就能夠有效防止對(duì)抗風(fēng)險(xiǎn)傳播到下游任務(wù)中，并且圖編碼器學(xué)習(xí)得到的魯棒圖表征可以適用于不同的下游應(yīng)用中，比如節(jié)點(diǎn)分類、鏈接預(yù)測(cè)和社區(qū)識(shí)別等。

　　圖2：對(duì)抗攻擊下的圖預(yù)訓(xùn)練概覽。如果圖編碼器易受攻擊，對(duì)抗風(fēng)險(xiǎn)會(huì)通過(guò)受到擾動(dòng)的圖表征轉(zhuǎn)導(dǎo)到每個(gè)下游任務(wù)。

　　研究無(wú)監(jiān)督圖預(yù)訓(xùn)練模型的魯棒性時(shí)，模型的魯棒性通常定義在標(biāo)簽空間上，即現(xiàn)有網(wǎng)絡(luò)魯棒性度量需要依據(jù)樣本的預(yù)測(cè)結(jié)果或標(biāo)簽進(jìn)行計(jì)算，并不適用于本文的無(wú)監(jiān)督設(shè)置。而在無(wú)監(jiān)督圖表征模型中，如何在表征空間上定義魯棒性度量是第一個(gè)挑戰(zhàn)。

　　為了應(yīng)對(duì)上述挑戰(zhàn)，本文首先提出了一個(gè)基于信息論的圖編碼器魯棒性衡量指標(biāo)：圖表征脆弱性(graph representation vulnerability, GRV)。其次，文章將魯棒性學(xué)習(xí)問(wèn)題形式化為一個(gè)優(yōu)化問(wèn)題，保證了圖編碼器的強(qiáng)表征能力和高魯棒性。但是，如何有效地計(jì)算或逼近該優(yōu)化問(wèn)題的目標(biāo)函數(shù)是第二個(gè)挑戰(zhàn)。該挑戰(zhàn)的難點(diǎn)在于：一方面，優(yōu)化問(wèn)題的目標(biāo)函數(shù)非常難解;另一方面，如何在聯(lián)合輸入空間(由網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)特征組成)中描述攻擊能力并確定擾動(dòng)邊界也同樣棘手。

　　為了解決以上問(wèn)題，文章采用概率分布之間的 Wasserstein 距離來(lái)量化攻擊能力，并提供了一個(gè)搜索攻擊策略的高效近似方案。其次，文章采用投影梯度下降法(projected gradient descent, PGD)的變種來(lái)解決所提出的優(yōu)化問(wèn)題。 最終，本文在對(duì)抗環(huán)境中能夠?qū)W得一個(gè)高質(zhì)量的魯棒圖編碼器，并進(jìn)一步探索了GRV和下游任務(wù)分類器的魯棒性之間的理論聯(lián)系。

　　本次AAAI收錄的兩篇論文正是信也科技與浙江大學(xué)和UCLA在圖算法的魯棒性和安全性領(lǐng)域的合作研究的新成果。信也科技-浙江大學(xué)聯(lián)合人工智能研發(fā)中心在過(guò)去幾年已經(jīng)陸續(xù)在將圖數(shù)據(jù)和圖認(rèn)知算法與風(fēng)控反欺詐業(yè)務(wù)結(jié)合，圖的預(yù)訓(xùn)練算法，圖的結(jié)構(gòu)學(xué)習(xí)，以及圖算法的魯棒性提升等領(lǐng)域做出了多項(xiàng)成果。

　　據(jù)悉,兩篇論文在組委會(huì)國(guó)內(nèi)外知名學(xué)者專家的匿名評(píng)審后獲得高度認(rèn)可,這也標(biāo)志著信也科技在人工智能學(xué)術(shù)研究領(lǐng)域的重大飛躍。

　　信也科技在學(xué)術(shù)界備受認(rèn)可，且在技術(shù)落地方面經(jīng)驗(yàn)豐富，據(jù)悉其已實(shí)現(xiàn)了對(duì)信貸業(yè)務(wù)流程的全覆蓋，如人臉識(shí)別、多場(chǎng)景OCR、聲紋識(shí)別等多模態(tài)核身、增信技術(shù)，語(yǔ)音識(shí)別、意圖識(shí)別、對(duì)話管理、語(yǔ)音生成等全流程智能對(duì)話機(jī)器人技術(shù)，以及基于復(fù)雜網(wǎng)絡(luò)的不良中介識(shí)別和團(tuán)伙識(shí)別技術(shù)等。

　　信也科技取得成績(jī)的背后是長(zhǎng)久以來(lái)著眼于科技并致力于科研的信念，未來(lái)的信也科技將繼續(xù)保持對(duì)科技研發(fā)的關(guān)注與投入，不斷突破并創(chuàng)新，努力實(shí)現(xiàn)“科技,讓金融更美好”的使命。