图神经网络的最小拓扑攻击
人工智能
2024-03-06 v1
摘要
随着图神经网络（GNN）的广泛流行，其对对抗性拓扑攻击的鲁棒性受到了极大关注。尽管已经提出了许多攻击方法，但它们主要关注固定预算攻击，旨在为目标节点在固定预算内找到最具对抗性的扰动。然而，考虑到每个节点的鲁棒性不同，固定预算导致了一个不可避免的困境：当预算相对较小时，找不到成功的扰动；而如果预算太大，产生的冗余扰动会损害隐蔽性。为了打破这一困境，我们提出了一种新型拓扑攻击，称为最小预算拓扑攻击，旨在自适应地找到每个节点成功攻击所需的最小扰动。为此，我们提出了一种基于动态投影梯度下降算法的攻击模型MiBTack，该算法能够有效解决离散拓扑上的非凸约束优化问题。在三个GNN和四个真实世界数据集上的大量结果表明，MiBTack能够以最小的扰动边成功导致所有目标节点被错误分类。此外，获得的最小预算可用于衡量节点鲁棒性，因此我们可以探索节点的鲁棒性、拓扑和不确定性之间的关系，这是当前固定预算拓扑攻击无法提供的。
引用
@article{arxiv.2403.02723,
title = {Minimum Topology Attacks for Graph Neural Networks},
author = {Mengmei Zhang and Xiao Wang and Chuan Shi and Lingjuan Lyu and Tianchi Yang and Junping Du},
journal= {arXiv preprint arXiv:2403.02723},
year = {2024}
}
备注
Published on WWW 2023. Proceedings of the ACM Web Conference 2023