基于结构扰动的图神经网络黑盒攻击的赌博机方法及其理论保证

图神经网络（GNNs）在许多基于图的任务（如节点分类与图分类）中取得了最优性能。然而，许多近期工作表明，攻击者可通过轻微扰动图结构来误导 GNN 模型。现有的 GNN 攻击要么处于较不实际的威胁模型下（假设攻击者能访问 GNN 模型参数），要么处于实际的黑盒威胁模型下但考虑扰动节点特征（已被证明不够有效）。本文旨在弥合这一差距，研究基于结构扰动且具理论保证的 GNN 黑盒攻击。我们提出通过赌博机技术解决该挑战。具体而言，我们将攻击建模为带赌博机反馈的在线优化。由于扰动图结构本质上是二值优化问题，该原始问题实为 NP-hard。随后我们提出一种基于赌博机优化的在线攻击，其被证明对查询次数 $T$ 为次线性的，即 $\mathcal{O}(\sqrt{N}T^{3/4})$，其中 $N$ 为图中节点数。最后，我们在多个数据集与 GNN 模型上通过实验评估所提攻击。在各种引文图与图像图上的实验结果表明，我们的攻击既有效又高效。源代码见~\url{https://github.com/Metaoblivion/Bandit_GNN_Attack}。