符号图中链接符号预测的对抗鲁棒性
机器学习
2025-09-11 v3 密码学与安全
摘要
符号图作为表示社交网络中正负关系的基础数据结构，符号图神经网络（SGNNs）已成为分析此类图的主要工具。我们的研究表明，平衡理论虽然对在 SGNNs 中建模符号关系至关重要，却不慎引入了可被黑盒攻击利用的漏洞。为了展示这一点，我们提出了 balance-attack，一种专门设计用于破坏图平衡度的对抗策略，并开发了一种高效的启发式算法来解决相关的 NP-hard 优化问题。尽管现有方法试图通过平衡学习技术恢复受攻击的图，但它们面临着一个我们称之为“平衡相关信息不可逆性”的关键挑战，因为恢复的边无法与原始攻击目标对齐。为了解决这一局限性，我们引入了平衡增强符号图对比学习（BA-SGCL），这是一种将对比学习与平衡增强技术相结合以获得鲁棒图表示的创新框架。通过在潜在空间中保持高平衡度，BA-SGCL 不仅有效规避了不可逆性挑战，还显著增强了模型的韧性。在多种 SGNN 架构和真实世界数据集上的大量实验证明了我们所提出的 balance-attack 的有效性以及 BA-SGCL 的卓越鲁棒性，推动了社交网络中符号图分析的安全性与可靠性。所提框架的数据集和代码位于 github 仓库 https://anonymous.4open.science/r/BA-SGCL-submit-DF41/。
引用
@article{arxiv.2401.10590,
title = {Adversarial Robustness of Link Sign Prediction in Signed Graphs},
author = {Jialong Zhou and Xing Ai and Yuni Lai and Tomasz Michalak and Gaolei Li and Jianhua Li and Di Tang and Xingxing Zhang and Mengpei Yang and Kai Zhou},
journal= {arXiv preprint arXiv:2401.10590},
year = {2025}
}