面向类特定网络投毒的节点注入
机器学习
2023-09-11 v2 社会与信息网络
摘要
图神经网络（GNNs）善于学习丰富的网络表示，从而提升下游任务的性能。然而，近期研究表明 GNNs 易受涉及节点注入和网络扰动的对抗攻击。其中，节点注入攻击更为实用，因为它不需要对现有网络进行篡改，且可以更真实地实施。本文提出了一个新的问题设定——图上类特定投毒攻击，其中攻击者旨在通过节点注入将目标类中的特定节点误分类为另一类。此外，节点的注入方式使其伪装成良性节点。我们提出了 NICKI，一种利用基于优化的方法来破坏基于 GNN 的节点分类器性能的新型攻击策略。NICKI 分两个阶段工作——首先学习节点表示，然后生成注入节点的特征与边。在四个基准网络上的大量实验和消融研究结果表明，NICKI 在误分类目标类节点方面始终优于四种基线攻击策略。我们还表明注入节点被恰当地伪装为良性，从而使得被投毒图在各种拓扑属性上与其干净版本无法区分。
引用
@article{arxiv.2301.12277,
title = {Node Injection for Class-specific Network Poisoning},
author = {Ansh Kumar Sharma and Rahul Kukreja and Mayank Kharbanda and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2301.12277},
year = {2023}
}
备注
28 pages, 5 figures