GAIM：基于对抗影响最大化的图神经网络攻击
机器学习
2024-08-21 v1 人工智能
摘要
最近的研究表明，对图结构或节点特征进行精心设计的扰动可以误导训练好的图神经网络（GNN）模型。然而，这些方法常常忽视实际假设，过度依赖启发式方法，或将关键攻击组件分离。为此，我们提出了 GAIM（GAIM: Adversarial Influence Maximization for Graph Neural Networks），一种在节点特征基础上进行的集成对抗攻击方法，考虑严格的黑箱设置。具体而言，我们定义了对抗影响函数，以理论方式评估节点扰动的对抗影响，从而将 GNN 攻击问题重新表述为对抗影响最大化问题。在我们的方法中，将目标节点选择与特征扰动构建统一为一个优化问题，确保每个目标节点具有唯一且一致的特征扰动。我们利用代理模型将该问题转化为可求解的线性规划任务，简化了优化过程。此外，我们扩展了该方法以适应面向标签的攻击，拓宽了其适用性。在五个基准数据集上进行全面评估（涵盖三个流行模型），强调了该方法在无目标攻击和标签导向定向攻击中的有效性。通过综合分析和消融研究，我们展示了设计选择的实用价值和有效性。
引用
@article{arxiv.2408.10948,
title = {GAIM: Attacking Graph Neural Networks via Adversarial Influence Maximization},
author = {Xiaodong Yang and Xiaoting Li and Huiyuan Chen and Yiwei Cai},
journal= {arXiv preprint arXiv:2408.10948},
year = {2024}
}