针对基于图的交通预测模型的对抗扩散攻击
机器学习
2021-04-20 v1 人工智能
摘要
实时交通预测模型在智能移动系统中发挥着关键作用，已广泛应用于路径引导、新兴移动服务以及先进的交通管理系统。随着海量交通数据的可用，基于神经网络的深度学习方法，尤其是图卷积网络（GCN），在挖掘时空信息并实现高预测精度方面表现出色。近期研究揭示了GCN在对抗攻击下的脆弱性，但缺乏理解基于GCN的交通预测模型脆弱性问题的研究。鉴于此，本文提出一个新任务——扩散攻击，以研究基于GCN的交通预测模型的鲁棒性。扩散攻击旨在选择并攻击少量节点，从而降低整个预测模型的性能。为实施扩散攻击，我们提出了一种新颖的攻击算法，其包含两个主要组成部分：1）利用同时扰动随机逼近（SPSA）近似黑盒预测模型的梯度；2）采用背包贪心算法选择攻击节点。所提算法在三个基于GCN的交通预测模型（St-Gcn、T-Gcn和A3t-Gcn）上于两个城市进行了验证。该算法在各种场景下的对抗攻击任务中均表现出高效性，并且能够在DropOut、DropNode和DropEdge等丢弃正则化下仍生成对抗样本。研究成果有助于提升基于GCN的交通预测模型的鲁棒性，并更好地保护智能移动系统。我们的代码可在 https://github.com/LYZ98/Adversarial-Diffusion-Attacks-on-Graph-based-Traffic-Prediction-Models 获取。
引用
@article{arxiv.2104.09369,
title = {Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models},
author = {Lyuyi Zhu and Kairui Feng and Ziyuan Pu and Wei Ma},
journal= {arXiv preprint arXiv:2104.09369},
year = {2021}
}
备注
Our code is available at https://github.com/LYZ98/Adversarial-Diffusion-Attacks-on-Graph-based-Traffic-Prediction-Models