通过扰动谱距离实现的图结构攻击

图卷积网络（GCNs）因其在图学习任务上令人鼓舞的性能而引发了大量研究兴趣，但它们也被证明易受对抗攻击。本文研究了一种有效的图结构攻击，以破坏傅里叶域中的图谱滤波器，而后者是 GCNs 的理论基础。我们基于图拉普拉斯算子的特征值定义了谱距离的概念，用以度量谱滤波器的破坏程度。我们通过最大化谱距离来实现攻击，并提出一种高效近似方法以降低特征分解带来的时间复杂度。实验证明了所提攻击在黑盒与白盒设定下，对于测试时规避攻击和训练时投毒攻击均具有显著有效性。我们的定性分析揭示了傅里叶域中施加的谱变化与空间域中攻击行为之间的联系，这为最大化谱距离是改变图结构属性从而扰动图滤波器的频率分量以影响 GCNs 学习的一种有效方式提供了经验证据。