信也科技兩篇論文成功收錄至國際頂級(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。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)容最廣泛的國際頂級(jí)學(xué)術(shù)會(huì)議之一，也是中國計(jì)算機(jī)學(xué)會(huì)(CCF)推薦的人工智能領(lǐng)域A級(jí)國際學(xué)術(shù)會(huì)議之一。據(jù)了解，本屆會(huì)議收到來自全球的 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，而沒有任何其他模型信息且無法與模型做任何互動(dòng)的情況下，依然有可能展開有效的攻擊;在防御層面，研究面向圖模型預(yù)訓(xùn)練框架的無監(jiān)督魯棒表示學(xué)習(xí)算法，通過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)被攻擊的模型一無所知，也無法通過查詢模型來獲取更多信息。相比于人臉識(shí)別等強(qiáng)互動(dòng)的場景，這種情況在規(guī)則復(fù)雜的金融場景尤其常見。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 (◯), 或者沒有 (×)信息來分類

　　STACK攻擊策略能在更接近真實(shí)場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)是需要在沒有來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)的無監(jiān)督對(duì)抗魯棒表示學(xué)習(xí)。

　　無監(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)測結(jié)果或標(biāo)簽進(jìn)行計(jì)算，并不適用于本文的無監(jiān)督設(shè)置。而在無監(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)問題形式化為一個(gè)優(yōu)化問題，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。

　　為了解決以上問題，文章采用概率分布之間的 Wasserstein 距離來量化攻擊能力，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)的變種來解決所提出的優(yōu)化問題。 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、多場景OCR、聲紋識(shí)別等多模態(tài)核身、增信技術(shù)，語音識(shí)別、意圖識(shí)別、對(duì)話管理、語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。

　　信也科技取得成績的背后是長久以來著眼于科技并致力于科研的信念，未來的信也科技將繼續(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。