一次性扰动所有边：实现可微图攻击
机器学习
2023-08-31 v1 密码学与安全
社会与信息网络
摘要
作为图上表示学习的强大工具，图神经网络（GNN）已在社交网络、推荐系统和在线网络服务等应用中发挥重要作用。然而，已有研究表明 GNN 易受对抗攻击，攻击可显著削弱其有效性。当前最先进的对抗攻击方法依赖基于梯度的元学习，选择性地扰动攻击分数最高的单条边，直至达到预算约束。尽管这些方法能有效识别脆弱链接，却受困于高计算成本。通过利用图结构的连续松弛与参数化，我们提出一种称为可微图攻击（DGA）的新攻击方法，可高效生成有效攻击，同时消除昂贵的重训练需求。与最先进方法相比，DGA 在不同基准数据集上以 6 倍更短训练时间和 11 倍更小 GPU 内存占用取得近乎等同的攻击性能。此外，我们提供了关于 DGA 在不同图模型间可迁移性及其针对常用防御机制鲁棒性的广泛实验分析。
引用
@article{arxiv.2308.15614,
title = {Everything Perturbed All at Once: Enabling Differentiable Graph Attacks},
author = {Haoran Liu and Bokun Wang and Jianling Wang and Xiangjue Dong and Tianbao Yang and James Caverlee},
journal= {arXiv preprint arXiv:2308.15614},
year = {2023}
}