基于对比 surrogate 目标函数的去偏图 poisoning 攻击

图神经网络 (GNN) 易受到对抗性攻击，这类攻击旨在通过对图结构进行难以察觉的修改来降低 GNNs 的性能。然而，我们发现事实上，当前流行的基于 meta 梯度的攻击方法会偏向训练节点。也就是说，这些攻击的 meta 梯度由代理模型的训练过程决定，而该代理模型仅在训练节点上进行训练。这种偏差表现为在对称向训练节点（即标记节点）之间的扰动不均匀：当至少有一个节点是标记节点时，攻击方法才倾向于连接这两个节点，而不太可能连接两个未标记节点。然而，这些带偏差的攻击方法并非最优，因为它们完全未考虑两个未标记节点之间边的翻转。这意味着它们错过了那些显著改变节点表示的潜在攻击边。本文通过分析 meta 梯度，揭示现有攻击方法产生不均匀扰动的根本原因。基于我们的分析，我们提出了一种使用对比 surrogate 目标函数的 meta 梯度攻击方法（Metacon），以新的代理损失函数缓解 meta 梯度中的偏差。我们进行大量实验表明，Metacon 在基准数据集上优于现有的基于 meta 梯度的攻击方法，同时表明，针对训练节点的偏差缓解在攻击图结构方面是有效的。