基于动量梯度的超图神经网络无目标攻击
机器学习
2023-10-25 v1
摘要
超图神经网络（HGNN）凭借其优异的高阶表示能力已成功应用于各种超图相关任务。近期工作表明深度学习模型易受对抗攻击。大多数图对抗攻击研究集中于图神经网络（GNN），而对 HGNN 的对抗攻击研究仍基本未被探索。本文试图缩小这一差距。我们针对无目标攻击设计了一种新的 HGNN 攻击模型，即 MGHGA，其侧重于修改节点特征。我们考虑 HGNN 的训练过程，并在超图建模前使用替代模型实施攻击。具体而言，MGHGA 由两部分组成：特征选择与特征修改。我们在特征选择模块中使用动量梯度机制选择攻击节点特征。在特征修改模块中，我们使用两种特征生成方法（直接修改与符号梯度）使 MGHGA 可应用于离散与连续数据集。我们在五个基准数据集上进行了广泛实验，以验证 MGHGA 在节点和视觉对象分类任务中的攻击性能。结果表明，与基线相比，MGHGA 平均提升了 2% 的性能。
引用
@article{arxiv.2310.15656,
title = {Momentum Gradient-based Untargeted Attack on Hypergraph Neural Networks},
author = {Yang Chen and Stjepan Picek and Zhonglin Ye and Zhaoyang Wang and Haixing Zhao},
journal= {arXiv preprint arXiv:2310.15656},
year = {2023}
}