论测度图对抗攻击不可见性：观察、新度量与应用

对抗攻击被声称是不可被察觉的。先前研究在图上设计了攻击可见性度量，主要使用统计检验来比较原始图与（可能被攻击的）图的拓扑结构。然而，我们观察到两种关键局限性。第一，由于该度量依赖简单规则，攻击者可以轻易增强其攻击以规避这些度量，降低攻击的“可见性”，同时维持攻击性能。第二，由于该度量滥用全局统计量（如度分布），它们可能在严重扰动发生前完全忽视攻击，使攻击几乎“完全不可见”。为缓解这些局限性，我们提出HideNSeek——一种用于图攻击可见性度量的可学习方法。首先，为缓解规避问题，HideNSeek使用可学习边评分器（LEO）学习区分原始边与（潜在）攻击边，该评分器对每条边的是否为攻击边的可能性进行评分。其次，为缓解忽视问题，HideNSeek对所有边评分进行不平衡感知聚合，以获得最终的可见性评分。我们在六个真实图上进行实证研究，证明HideNSeek有效缓解了所观察到的局限性，LEO（即我们的可学习边评分器）在五种不同攻击方法下 outperform了十一个竞争者。作为额外应用，我们展示了LEO通过删除攻击样边来提升鲁棒图神经网络（GNN）性能。