HeTa：面向异构图基础攻击模型的关系式异构性

异构图神经网络（HGNNs）存在脆弱性，这凸显了针对其鲁棒性和安全性所需定制化攻击的必要性。然而，现有HGNN攻击往往需要复杂地重新训练参数才能为新情境生成特定扰动。最近，基础模型通过捕获不同图分布之间的共享语义，为图神经网络的泛化化开辟了新视野。这促使我们提出问题：我们能否设计一种针对HGNNs的基础攻击模型，以实现跨不同HGNNs的可泛化扰动，并快速适应新的异构图（HGs）？经验研究揭示，尽管模型设计和参数空间存在显著差异，不同HGNN从关系感知角度竟意外地共享常见漏洞模式。因此，我们探索如何通过挖掘共享攻击单元来设计基础HGNN攻击准则。本文提出一种新颖的关系式异构图基础攻击模型HeTa。我们引入基础替代模型以对齐异构性并识别共享关系感知攻击单元的重要性。基于此，我们实现基于所识别关系权重的序列化关系逐关系攻击。如此一来，扰动可转移到各种目标HGNN，并轻松针对新的HG进行微调。大量实验表明，我们的方法在攻击性能和可泛化性方面表现出色。