通过注入优质超边的均匀节点来进行超图攻击

最近的研究表明，超图神经网络 (HGNNs) 对对抗性攻击十分脆弱。现有方法关注基于梯度的超图修改攻击，忽视了节点在超图中的跨越以及超边的群体身份，从而导致攻击性能受限且攻击易被检测到。本文提出了一种新框架，即通过注入均匀节点到优质超边来进行超图攻击 (IE-Attack)。首先，利用节点在超图中的跨越，提出了优质超边抽样器以识别待注入的超边。随后，提出一种利用核密度估计 (KDE) 的节点生成器来生成具有超边群体身份的均匀节点。最后，通过将均匀节点注入优质超边，IE-Attack 改善了攻击性能并增强了攻击的隐蔽性。在五个真实数据集上进行大量实验，以验证 IE-Attack 的有效性及其相对于最先进方法的优势。