GRAPHTEXTACK：面向 LLM 增强图神经网络的现实黑盒节点注入攻击
密码学与安全
2025-11-18 v1 机器学习
摘要
文本属性图（TAGs）将结构和文本节点信息组合在一起，广泛存在于许多领域。最近的工作将大型语言模型（LLMs）与图神经网络（GNNs）集成，以联合建模语义和结构， resulting in 更通用和更具表达力的模型，在 TAG 基准测试中实现了最先进的性能。然而，这种集成引入了双重漏洞：GNNS 对结构扰动敏感，而来自 LLM 的特征则 vulnerable to prompt injection and adversarial phrasing。虽然已有的对抗攻击大多独立扰动结构或文本，但我们发现单模态攻击仅对 LLM 增强 GNN 造成有限的性能下降。此外，许多现有攻击假设不切实际的能力，例如白盒访问或直接修改图数据。为了弥合这些差距，我们提出了 GRAPHTEXTACK，即第一个面向 LLM 增强 GNN 的黑盒、多模态节点注入攻击。GRAPHTEXTACK 通过注入精心设计的结构和语义节点来降低模型性能，在不依赖模型内部或替代模型的现实威胁模型下运行。为了导航连通性和特征分配的组合的、非微分的搜索空间，GRAPHTEXTACK 引入一种新的进化优化框架，采用多目标适应函数在局部预测干扰和全局图影响之间进行平衡。广泛的实验在五个数据集和两个最先进的 LLM 增强 GNN 模型上表明，GRAPHTEXTACK 显著优于 12 个强大的基线。
引用
@article{arxiv.2511.12423,
title = {GRAPHTEXTACK: A Realistic Black-Box Node Injection Attack on LLM-Enhanced GNNs},
author = {Jiaji Ma and Puja Trivedi and Danai Koutra},
journal= {arXiv preprint arXiv:2511.12423},
year = {2025}
}
备注
AAAI 2026