用文字入侵：理解文本层面的图注入攻击

图神经网络（GNN）在各种应用中表现出色，但仍然容易受到对抗性攻击，特别是图注入攻击（GIA），这种攻击通过向原始图中注入恶意节点构成现实威胁。文本属性图（TAG）中节点与文本特征相关联，因其在现实世界应用中的普遍性而至关重要，并常用于评估这些漏洞。然而，现有研究仅关注嵌入层面的GIA，即注入节点嵌入而非实际文本内容，这限制了其适用性并简化了检测。在本文中，我们开创性地探索了文本层面的GIA，提出了三种新颖的攻击设计，将文本内容注入图中。通过理论和实证分析，我们证明了文本可解释性（一个在嵌入层面被忽视的因素）在攻击强度中起着关键作用。在我们研究的各种设计中，基于词频的文本级GIA（WTGIA）因其在性能和可解释性之间的平衡而尤为引人注目。尽管WTGIA取得了成功，但我们发现防御者可以通过定制的文本嵌入方法或基于大型语言模型（LLM）的预测器轻松增强其防御。这些见解强调了进一步研究文本层面GIA的潜力和实际意义的必要性。