LoReTTA：面向低资源场景的连续时间动态图投毒框架
机器学习
2025-11-11 v1 人工智能
摘要
动态图神经网络 (TGNN) 正在越来越多地用于高风险领域，如金融预测、推荐系统和欺诈检测。然而，它们对投毒攻击的脆弱性构成了关键安全风险。我们引入 LoReTTA (Low Resource Two-phase Temporal Attack)，一种针对连续时间动态图的新型对抗框架，通过平均降低 29.47% 的性能下降在 4 个广泛基准数据集和 4 个最新 (SotA) 模型上实现。LoReTTA 通过两个阶段运行：(1) 通过删除使用任意 16 种测试时序重要性指标筛选的高影响边来稀疏化图；(2) 通过 LoReTTA novel 的保持度的负采样算法将删除的边以对抗性负面形式替换。我们的即插即用设计消除了对昂贵代理模型的需求，同时遵循现实的不可察觉约束。LoReTTA 在 MOOC 上降低最高可达 42.0%，在 Wikipedia 上为 31.5%，在 UCI 上为 28.8%，在 Enron 上为 15.6%。LoReTTA 超过 11 个攻击基线，保持对 4 个领先异常检测系统的不可察觉性，并对 4 个 SotA 对抗防御训练方法具有鲁棒性，证明了其有效性、不可察觉性和鲁棒性。
引用
@article{arxiv.2511.07379,
title = {LoReTTA: A Low Resource Framework To Poison Continuous Time Dynamic Graphs},
author = {Himanshu Pal and Venkata Sai Pranav Bachina and Ankit Gangwal and Charu Sharma},
journal= {arXiv preprint arXiv:2511.07379},
year = {2025}
}
备注
Accepted at AAAI 2026