针对图神经网络的代价感知无目标投毒攻击
人工智能
2023-12-13 v1
摘要
图神经网络 (GNNs) 已在图挖掘领域得到广泛应用。然而，这些网络对结构扰动很脆弱。虽然许多研究工作集中于通过投毒攻击来分析脆弱性，但我们发现了当前攻击损失中存在低效性。这些损失将攻击策略引向修改针对被误分类节点或具有韧性节点的边，导致结构对抗扰动的浪费。为了解决这个问题，我们提出了一种名为代价感知投毒攻击 (CA-attack) 的新型攻击损失框架，通过动态考虑节点的分类间隔来改善攻击预算的分配。具体而言，它优先处理具有较小正间隔的节点，同时推迟具有负间隔的节点。我们的实验表明，所提出的 CA-attack 显著增强了现有的攻击策略。
引用
@article{arxiv.2312.07158,
title = {Cost Aware Untargeted Poisoning Attack against Graph Neural Networks,},
author = {Yuwei Han and Yuni Lai and Yulin Zhu and Kai Zhou},
journal= {arXiv preprint arXiv:2312.07158},
year = {2023}
}