AGSOA：基于平均梯度与结构优化的图神经网络定向攻击
机器学习
2024-06-21 v1 人工智能
密码学与安全
摘要
图神经网络（GNN）因向图中添加少量扰动而容易受到对抗攻击，导致性能下降。梯度攻击是最常用的攻击方法之一，在许多攻击场景中取得了良好性能。然而，当前的梯度攻击面临容易陷入局部最优解以及攻击隐蔽性差的问题。具体而言，大多数梯度攻击采用贪心策略生成扰动，倾向于陷入局部最优解，导致攻击表现不足。此外，许多攻击仅考虑攻击效果，忽略了攻击的隐蔽性，使得攻击容易被暴露而失败。为解决上述问题，本文提出了一种名为AGSOA的GNN攻击方法，包含平均梯度计算模块和结构优化模块。在平均梯度计算模块中，我们计算所有时刻梯度信息的平均值，以引导生成扰动边，稳定攻击更新方向，摆脱令人不满的局部最大值。在结构优化模块中，我们计算目标节点与其他节点的相似性和同质性，以调整图结构，从而提高攻击的隐蔽性和可迁移性。在三个常用数据集上的大量实验表明，AGSOA比其他最先进模型提高了2%至8%的误分类率。
引用
@article{arxiv.2406.13228,
title = {AGSOA:Graph Neural Network Targeted Attack Based on Average Gradient and Structure Optimization},
author = {Yang Chen and Bin Zhou},
journal= {arXiv preprint arXiv:2406.13228},
year = {2024}
}