LiSA：利用链接推荐器通过子图注入攻击图神经网络
机器学习
2025-06-23 v3 人工智能
摘要
图神经网络（Graph Neural Networks, GNNs）在建模具有图结构的数据方面表现卓越,但近期研究揭示其易受对抗攻击。传统攻击方法依赖于修改原始图或向人工创建的节点添加链接，往往难以在实际场景中实现。本文引入一种新型对抗场景:注入孤立子图来欺骗图神经网络系统中的链接推荐器和节点分类器。具体而言,链接推荐器会被误导建议目标受害者节点与子图之间的链接,鼓励用户无意中建立连接,从而降低节点分类准确性,从而实现成功攻击。为此,我们提出LiSA框架,采用双代理模型和双层优化同时满足两个对抗目标。大量实验在真实数据集上表明我们的方法有效。
引用
@article{arxiv.2502.09271,
title = {LiSA: Leveraging Link Recommender to Attack Graph Neural Networks via Subgraph Injection},
author = {Wenlun Zhang and Enyan Dai and Kentaro Yoshioka},
journal= {arXiv preprint arXiv:2502.09271},
year = {2025}
}
备注
PAKDD 2025