基于强化学习的图上节点注入攻击
机器学习
2019-09-17 v1 密码学与安全
社会与信息网络
机器学习
摘要
现实世界中的图应用，如广告与产品推荐，基于准确分类节点标签而获利。然而，在此类场景中，对抗者具有强烈动机攻击该图以降低节点分类性能。先前关于图对抗攻击的工作聚焦于修改现有图结构，这在大多数现实应用中不可行。相比之下，向现有图中注入对抗节点更为实际，这也可能潜在降低分类器性能。本文研究新颖的节点注入投毒攻击问题，旨在投毒该图。我们描述了一种基于强化学习的方法，即 NIPA，以顺序修改注入节点的对抗信息。我们报告了使用若干基准数据集的实验结果，显示所提方法 NIPA 相对于现有最先进方法具有更优性能。
引用
@article{arxiv.1909.06543,
title = {Node Injection Attacks on Graphs via Reinforcement Learning},
author = {Yiwei Sun and Suhang Wang and Xianfeng Tang and Tsung-Yu Hsieh and Vasant Honavar},
journal= {arXiv preprint arXiv:1909.06543},
year = {2019}
}
备注
Preprint, under review