HGAttack：可迁移异构图对抗攻击
机器学习
2024-01-19 v1 密码学与安全
信息检索
摘要
异构图神经网络（HGNNs）因其在网络与电子商务等领域的性能而日益受到认可，在这些领域中，对对抗攻击的鲁棒性至关重要。然而，现有的对抗攻击方法主要针对同构图设计，由于处理 HGNNs 结构与语义复杂性的能力有限，在应用于 HGNNs 时表现不佳。本文提出了 HGAttack，这是首个针对异构图的专用灰盒逃逸攻击方法。我们设计了一个新颖的代理模型以紧密模拟目标 HGNN 的行为，并利用基于梯度的方法生成扰动。具体而言，所提出的代理模型通过提取元路径诱导的子图，并应用 GNN 从每个子图中学习具有不同语义的节点嵌入，从而有效利用异构信息。该方法提高了对目标 HGNN 生成的攻击的可迁移性，并显著降低了内存开销。在扰动生成方面，我们引入了一种语义感知机制，该机制利用子图梯度信息，在受限的扰动预算内自主识别广泛关系类型中的脆弱边。我们在三个数据集上通过全面实验验证了 HGAttack 的有效性，并对其生成的扰动进行了经验分析。HGAttack 优于基线方法，在降低目标 HGNN 模型性能方面展现出显著的有效性，证实了我们方法在评估 HGNNs 对抗攻击鲁棒性方面的有效性。
引用
@article{arxiv.2401.09945,
title = {HGAttack: Transferable Heterogeneous Graph Adversarial Attack},
author = {He Zhao and Zhiwei Zeng and Yongwei Wang and Deheng Ye and Chunyan Miao},
journal= {arXiv preprint arXiv:2401.09945},
year = {2024}
}