大语言模型增强的图神经网络对投毒攻击具有鲁棒性吗？
机器学习
2026-03-30 v1
摘要
大语言模型（LLMs）通过以语义特征丰富节点表示，推动了图神经网络（GNNs）的发展，产生了实现显著性能提升的大语言模型增强图神经网络。然而，这些模型对投毒攻击的鲁棒性——投毒攻击在训练期间同时操纵图结构和文本属性——仍未被探索。为弥补这一空白，我们提出了一种鲁棒性评估框架，系统地评估大语言模型增强图神经网络在投毒攻击下的表现。我们的框架支持在多个维度上进行全面评估。具体而言，我们通过将八个基于大语言模型或语言模型（LM）的特征增强器与三个代表性 GNN 主干网络相结合，评估了 24 个受害模型。为确保攻击覆盖的多样性，我们纳入了六种结构投毒攻击（定向和非定向）以及三种在字符、词和句子层面操作的文本投毒攻击。此外，我们使用了四个真实数据集，包括一个在大语言模型出现后发布的数据集，以避免大语言模型预训练期间可能的真实标签泄露，从而确保公平评估。大量实验表明，大语言模型增强图神经网络在各种攻击设置下展现出显著更高的准确率和更低的相对准确率下降（RDA），优于基于浅层嵌入的基线。我们的深入分析识别了促成这种鲁棒性的关键因素，例如节点表示中结构和标签信息的有效编码。基于这些洞察，我们从攻击和防御两个角度概述了未来研究方向，并提出了一种新的组合攻击以及一种图净化防御方法。为支持未来研究，我们在 https://github.com/CyberAlSec/LLMEGNNRP 发布了框架的源代码。
引用
@article{arxiv.2603.26105,
title = {Are LLM-Enhanced Graph Neural Networks Robust against Poisoning Attacks?},
author = {Yuhang Ma and Jie Wang and Zheng Yan},
journal= {arXiv preprint arXiv:2603.26105},
year = {2026}
}
备注
To appear at 2026 IEEE Symposium on Security and Privacy (SP)