HeteroBA：针对异构图的结构操纵后门攻击
机器学习
2025-05-28 v1 人工智能
摘要
异构图神经网络（HGNNs）近期在推荐、金融和社交网络等领域中建模复杂多关系数据方面引起了越来越多的关注。尽管现有研究主要集中在提升 HGNNs 的预测性能，但其鲁棒性和安全性，尤其是在后门攻击下的表现，仍有待深入探索。本文提出了一种新颖的异构后门攻击（HeteroBA）框架，用于异构图上的节点分类任务。HeteroBA 插入具有真实特征和目标结构连接的精心设计的触发节点，利用基于注意力和基于聚类的策略来选择有影响力的辅助节点以实现有效的触发传播，从而使模型将特定节点误分类到目标标签，同时保持对干净数据的准确率。在三个数据集和多种 HGNN 架构上的实验结果表明，HeteroBA 实现了高攻击成功率，且对干净准确率的影响极小。我们的方法揭示了 HGNNs 中的潜在漏洞，并呼吁在多关系图场景中建立更鲁棒的后门威胁防御机制。
引用
@article{arxiv.2505.21140,
title = {HeteroBA: A Structure-Manipulating Backdoor Attack on Heterogeneous Graphs},
author = {Honglin Gao and Xiang Li and Lan Zhao and Gaoxi Xiao},
journal= {arXiv preprint arXiv:2505.21140},
year = {2025}
}