Graphfool：面向图嵌入的定向标签对抗攻击
机器学习
2021-02-25 v1 密码学与安全
摘要
深度学习在图分析中十分有效，被广泛应用于链接预测、节点分类、社区发现和图分类等诸多相关领域。图嵌入通过学习图中顶点或边的低维表示，通常借助深度模型来导出嵌入向量。然而，这些模型是脆弱的。我们预想基于深度模型的图嵌入方法可轻易地被对抗样本攻击。因此，本文提出 Graphfool，一种新颖的面向图嵌入的定向标签对抗攻击方法。它可利用图卷积网络（GCN）中的分类边界与梯度信息生成对抗图以攻击图嵌入方法。具体而言，我们执行如下步骤：1）首先估计不同类别的分类边界；2）依据目标分类边界计算使被攻击顶点误分类的最小扰动矩阵；3）根据扰动矩阵的最大绝对值修改邻接矩阵。该过程迭代执行。据我们所知，这是首个定向标签攻击技术。在真实图网络上的实验表明，Graphfool 优于当前最优技术，相较于次优算法，其在攻击成功率上平均提升 11.44%。
引用
@article{arxiv.2102.12284,
title = {Graphfool: Targeted Label Adversarial Attack on Graph Embedding},
author = {Jinyin Chen and Xiang Lin and Dunjie Zhang and Wenrong Jiang and Guohan Huang and Hui Xiong and Yun Xiang},
journal= {arXiv preprint arXiv:2102.12284},
year = {2021}
}
备注
9 pages, 1 figures