基于标签传播的节点注入攻击对抗图神经网络
密码学与安全
2024-05-30 v1
摘要
图神经网络（GNN）在各种图学习任务中取得了显著成功，如节点分类、链接预测和图分类。GNN 成功的关键在于通过邻域聚合有效表示结构信息。然而，攻击者可以通过注入假节点轻松扰动聚合过程，这表明 GNN 容易受到图注入攻击。现有的图注入攻击方法主要关注破坏经典特征聚合过程，而忽略了通过标签传播的邻域聚合过程。为弥补这一差距，我们提出了基于标签传播的全局注入攻击（LPGIA），该攻击对节点分类任务进行图注入攻击。具体来说，我们从标签传播的角度分析聚合过程，并将图注入攻击问题转化为全局注入标签特异性攻击问题。为了解决这个问题，LPGIA 利用基于标签传播的策略来优化与注入节点相连的节点组合。然后，LPGIA 利用特征映射为注入节点生成恶意特征。在针对代表性 GNN 的大量实验中，LPGIA 在各种数据集上优于先前最佳性能的注入攻击方法，展示了其优越性和可迁移性。
引用
@article{arxiv.2405.18824,
title = {Node Injection Attack Based on Label Propagation Against Graph Neural Network},
author = {Peican Zhu and Zechen Pan and Keke Tang and Xiaodong Cui and Jinhuan Wang and Qi Xuan},
journal= {arXiv preprint arXiv:2405.18824},
year = {2024}
}
备注
Accepted by TCSS;DOI:10.1109/TCSS.2024.3395794