针对网络嵌入的快速梯度攻击
物理与社会
2018-09-18 v2 社会与信息网络
摘要
网络嵌入将网络映射到低维欧氏空间中，从而借助机器学习方法便利许多网络分析任务，如节点分类、链接预测和社区发现等。在社交网络中，我们可能特别关注用户隐私，并希望在某些情况下防止某些目标节点被此类网络分析方法识别。受深度学习模型上成功对抗攻击的启发，我们提出一种基于图卷积网络（GCN）中梯度信息生成对抗网络的框架。具体而言，我们基于对抗网络提取成对节点的梯度，并选取具有最大绝对梯度的节点对以实现快速梯度攻击（FGA）并更新对抗网络。该过程迭代执行，直至满足特定条件（即修改的链接数量达到某预定义值）时终止。我们在六种知名网络嵌入方法上进行了全面攻击，包括无限攻击、直接攻击和间接攻击。在真实网络上的实验表明，我们提出的FGA优于一些基线方法，即网络嵌入仅需重连少量链接即可被FGA轻易扰动，取得了state-of-the-art的攻击性能。
引用
@article{arxiv.1809.02797,
title = {Fast Gradient Attack on Network Embedding},
author = {Jinyin Chen and Yangyang Wu and Xuanheng Xu and Yixian Chen and Haibin Zheng and Qi Xuan},
journal= {arXiv preprint arXiv:1809.02797},
year = {2018}
}