GUAP：基于对抗补丁的图通用攻击
机器学习
2023-01-05 v1 密码学与安全
摘要
图神经网络（GNNs）是一类用于节点分类任务的有效深度学习模型；然而其预测能力可能在针对图结构和/或节点数据的对抗性不可察觉扰动下严重受损。当前大多数图对抗攻击工作旨在降低整体预测准确率，但我们认为由此产生的异常模型表现可能轻易引起注意并招致快速反制。此外，若实施了良好的安全协议，通过修改现有图数据进行的攻击可能难以实施。本工作中，我们考虑一种更易实施且更难被察觉的攻击，即通过对抗性地用新节点和边对图进行补丁。该攻击是通用的：每次针对单个节点并翻转其与同一组补丁节点的连接。该攻击是不可察觉的：它不修改目标之外节点的预测。我们提出了一种名为 GUAP 的算法，可实现高攻击成功率同时保持预测准确率。GUAP 通过采用采样策略训练快速；我们证明每轮 5% 采样带来 20 倍训练加速，仅轻微降低攻击性能。此外，我们展示用图卷积网络训练的对抗补丁可良好迁移至其他 GNNs，如 graph attention network（图注意力网络）。
引用
@article{arxiv.2301.01731,
title = {GUAP: Graph Universal Attack Through Adversarial Patching},
author = {Xiao Zang and Jie Chen and Bo Yuan},
journal= {arXiv preprint arXiv:2301.01731},
year = {2023}
}
备注
8 pages