穿越黑箱：利用 LLM 实现有效的文本级图注入攻击
人工智能
2025-06-17 v1
摘要
文本属性图（TAG）将文本数据与图结构相结合，在社交网络分析和推荐系统等应用中提供有价值的洞察。图神经网络（GNN）能够有效捕捉 TAG 中的拓扑结构和文本信息，但容易受到对抗攻击。现有的图注入攻击（GIA）方法假设攻击者可以直接操作嵌入层，产生不可解释的节点嵌入。此外，这些攻击的有效性往往依赖于训练成本较高的代理模型。因此，本文提出 ATAG-LLM，一种专为 TAG 设计的新型黑箱 GIA 框架。我们的方法利用大语言模型（LLM）直接生成可解释的文本级节点属性，确保攻击在现实场景中可行。我们设计了平衡探索与可靠性的 LLM 提示策略，并提出了一种相似性评估方法，用于评估攻击文本在破坏图同配性方面的有效性。该方法在严格的黑箱设置下，以极低的训练成本高效地扰动目标节点，实现对 TAG 的文本级图注入攻击。在真实 TAG 数据集上的实验验证了 ATAG-LLM 相比最先进的嵌入级和文本级攻击方法的优越性能。
引用
@article{arxiv.2506.13276,
title = {Navigating the Black Box: Leveraging LLMs for Effective Text-Level Graph Injection Attacks},
author = {Yuefei Lyu and Chaozhuo Li and Xi Zhang and Tianle Zhang},
journal= {arXiv preprint arXiv:2506.13276},
year = {2025}
}