将图神经网络上的对抗攻击视为影响力最大化问题
机器学习
2021-06-22 v1 人工智能
摘要
图神经网络（GNNs）已引起越来越多的关注。随着 GNN 在现实应用中的广泛部署，迫切需要在对抗攻击下理解 GNN 的鲁棒性，尤其在真实设定中。本工作中，我们研究在受限且真实的设定下攻击 GNN 的问题，通过扰动一小部分节点的特征，且无法访问模型参数和模型预测。我们的形式化分析将此类攻击与图上的影响力最大化问题联系起来。这一联系不仅增进了我们对 GNN 对抗攻击问题的理解，也使我们能提出一组有效且实用的攻击策略。我们的实验验证了所提攻击策略显著降低了三种流行 GNN 模型的性能，并优于基线对抗攻击策略。
引用
@article{arxiv.2106.10785,
title = {Adversarial Attack on Graph Neural Networks as An Influence Maximization Problem},
author = {Jiaqi Ma and Junwei Deng and Qiaozhu Mei},
journal= {arXiv preprint arXiv:2106.10785},
year = {2021}
}