有限知识下针对图嵌入模型的对抗攻击框架
机器学习
2022-03-02 v2 密码学与安全
社会与信息网络
摘要
随着图嵌入模型在学术界和工业界的成功,图嵌入针对对抗攻击的鲁棒性不可避免地成为图学习中的关键问题。现有工作通常以白盒方式实施攻击:它们需要访问预测/标签来构造其对抗损失。然而,预测/标签的不可访问性使得白盒攻击在真实图学习系统中不切实际。本文以更通用和灵活的意义推进现有框架——我们要求以黑盒驱动方式攻击各类图嵌入模型。我们研究了图信号处理与图嵌入模型之间的理论联系,并将图嵌入模型表述为具有相应图滤波器的一般图信号处理过程。因此,我们设计了一个广义对抗攻击者:GF-Attack。在不访问任何标签和模型预测的情况下,GF-Attack可以以黑盒方式直接对图滤波器实施攻击。我们进一步证明,GF-Attack可在不知晓图嵌入模型层数的情况下实施有效攻击。为验证GF-Attack的泛化性,我们在四种流行的图嵌入模型上构建攻击者。大量实验在多个基准数据集上验证了GF-Attack的有效性。
引用
@article{arxiv.2105.12419,
title = {Adversarial Attack Framework on Graph Embedding Models with Limited Knowledge},
author = {Heng Chang and Yu Rong and Tingyang Xu and Wenbing Huang and Honglei Zhang and Peng Cui and Xin Wang and Wenwu Zhu and Junzhou Huang},
journal= {arXiv preprint arXiv:2105.12419},
year = {2022}
}
备注
Journal extension of GF-Attack, accepted by TKDE