MGA：网络上的动量梯度攻击
社会与信息网络
2020-12-22 v2
摘要
基于梯度信息的对抗攻击方法能够充分找到扰动，即重连边的组合，从而降低基于图嵌入算法的深度学习模型的有效性，但也容易陷入局部最优。因此，本文提出一种针对 GCN 模型的动量梯度攻击（MGA），其能以更少的重连边实现更具侵略性的攻击。与直接使用梯度信息更新原始网络相比，将动量项整合进迭代过程可稳定更新方向，使模型跳出较差的局部最优，并增强方法的更强可迁移性。基于三种知名网络嵌入算法的节点分类与社区检测方法上的实验表明，MGA 具有更好的攻击效果与可迁移性。
引用
@article{arxiv.2002.11320,
title = {MGA: Momentum Gradient Attack on Network},
author = {Jinyin Chen and Yixian Chen and Haibin Zheng and Shijing Shen and Shanqing Yu and Dan Zhang and Qi Xuan},
journal= {arXiv preprint arXiv:2002.11320},
year = {2020}
}