通过战略性高影响攻击利用时序图神经网络的脆弱性
机器学习
2025-10-01 v1
摘要
时序图神经网络（TGNNs）对于分析社交网络、通信系统和金融网络等关键应用中的动态图已变得不可或缺。然而，TGNNs 对抗对抗性攻击（尤其是利用时间维度的复杂攻击）的鲁棒性仍然是一个重大挑战。针对时空动态图（STDGs）的现有攻击方法通常依赖于简单、易检测的扰动（例如随机添加/删除边），并且未能战略性地瞄准最具影响力的节点和边以实现最大影响。我们引入了高影响攻击（HIA），这是一种新颖的受限黑盒攻击框架，专门设计用于克服这些限制并暴露 TGNNs 中的关键脆弱性。HIA 利用数据驱动的代理模型来识别结构重要节点（对网络连通性至关重要）和动态重要节点（对图的时序演化至关重要）。随后，它采用混合扰动策略，结合战略性边注入（以创建误导性连接）和针对性边删除（以破坏关键路径），最大化 TGNN 性能下降。重要的是，HIA 最小化扰动数量以增强隐蔽性，使其更难被检测。在五个真实世界数据集和四个代表性 TGNN 架构（TGN、JODIE、DySAT 和 TGAT）上的综合实验表明，HIA 显著降低了 TGNN 在链路预测任务上的准确性，平均倒数排名（MRR）下降高达 35.55%——相较于最先进的基线方法有实质性改进。这些结果突显了当前 STDG 模型中的根本脆弱性，并强调迫切需要考虑结构和时间动态的鲁棒防御。
引用
@article{arxiv.2509.25418,
title = {Leveraging Vulnerabilities in Temporal Graph Neural Networks via Strategic High-Impact Assaults},
author = {Dong Hyun Jeon and Lijing Zhu and Haifang Li and Pengze Li and Jingna Feng and Tiehang Duan and Houbing Herbert Song and Cui Tao and Shuteng Niu},
journal= {arXiv preprint arXiv:2509.25418},
year = {2025}
}