面向图神经网络的黑盒节点注入攻击
机器学习
2022-02-22 v1 人工智能
摘要
图神经网络（GNNs）多年来引起了显著关注，并广泛应用于产品推荐和交通预测等需要高安全标准的重要领域。在此类场景下，利用 GNN 的漏洞并进一步降低其分类性能对攻击者极具诱惑力。此前的攻击者主要关注现有图的结构扰动。尽管他们取得了有前景的结果，但实际实施需要操纵图连通性的能力，这在某些情况下是不现实的。在这项工作中，我们研究了注入节点以规避受害 GNN 模型的可能性，并且与先前白盒设置下的相关工作不同，我们大幅限制了可获取知识的量并探索了黑盒设置。具体而言，我们将节点注入攻击建模为马尔可夫决策过程，并提出 GA2C，一种采用优势 actor-critic 形式的图强化学习框架，为注入节点生成真实特征，并遵循相同拓扑特征将其无缝合并到原始图中。通过在多个公认基准数据集上的大量实验，我们证明了所提出的 GA2C 相对于现有最先进方法的优越性能。数据和源代码公开于：https://github.com/jumxglhf/GA2C。
引用
@article{arxiv.2202.09389,
title = {Black-box Node Injection Attack for Graph Neural Networks},
author = {Mingxuan Ju and Yujie Fan and Yanfang Ye and Liang Zhao},
journal= {arXiv preprint arXiv:2202.09389},
year = {2022}
}