针对图卷积网络的仅污染标签的干净图后门攻击
人工智能
2024-04-22 v1
摘要
图卷积网络（GCN）在处理各种图结构（如节点分类、图分类及其他任务）方面表现出优异的性能。然而，近期研究表明，GCN 容易受到一种被称为后门攻击的新型威胁。但是，图领域中所有现有的后门攻击都需要修改训练样本以完成后门注入，这在许多对手无法访问和修改训练样本的现实场景中可能并不实用，且可能导致后门攻击容易被检测到。为了探索 GCN 的后门脆弱性并创建一种更实用、更隐蔽的后门攻击方法，本文提出了一种针对 GCN 的干净图后门攻击（CBAG），用于节点分类任务，该方法仅污染训练标签而不对训练样本进行任何修改，揭示了 GCN 存在此类安全漏洞。具体而言，CBAG 设计了一种新的触发器探索方法，以找到重要的特征维度作为触发器模式，从而提高攻击性能。通过污染训练标签，将隐藏的后门注入到 GCN 模型中。实验结果表明，我们的干净图后门可以实现 99% 的攻击成功率，同时在良性样本上保持 GCN 模型的功能。
引用
@article{arxiv.2404.12704,
title = {A Clean-graph Backdoor Attack against Graph Convolutional Networks with Poisoned Label Only},
author = {Jiazhu Dai and Haoyu Sun},
journal= {arXiv preprint arXiv:2404.12704},
year = {2024}
}