面向文本属性图的图感知隐形投毒后门

现代图学习系统常将链接与文本组合，例如带摘要的引用网络或带用户帖子的社交图。此类系统中，文本通常比图结构更易编辑，这就产生了一个实际的安全风险：攻击者可能隐藏训练文本中的小型恶意线索，后续可用于触发错误预测。本文研究了在攻击者仅编辑节点文本而不修改图结构的现实场景中的该风险。我们提出了TAGBD（Graph-Aware Stealthy Poison-Text Backdoors），该攻击首先选择易于操控的训练节点，然后生成带有阴影图模型的隐形毒文本，最后通过替换原始内容或追加简短短语来注入文本。在三个基准数据集上的实验表明，TAGBD实现了非常高的攻击成功率，能够跨不同图模型传递，并在常见防御下仍然有效。这些结果表明，仅凭不显眼的毒文本即可作为文本属性图中的可靠攻击通道，这凸显了需要检查节点内容和图结构的防御需求。