PEANUT：基于特征向量对齐的扰动攻击，用于攻击拓扑驱动消息传递下的图神经网络
机器学习
2026-03-31 v2
摘要
图神经网络（GNN）在处理关系数据任务上已取得显著性能。然而，图结构上的微小扰动可能显著改变 GNN 的输出，引发对其在真实部署中鲁棒性的担忧。在本工作中，我们探索了 GNN 的核心脆弱性——GNN 显式地以邻接矩阵或拉普拉斯矩阵的形式消费图拓扑作为消息传递的手段，并提出了 PEANUT，一种简单、无梯度、受限的黑盒攻击，通过注入虚拟节点来利用这一脆弱性。PEANUT 是一种基于注入的攻击，被广泛认为比图修改攻击更实际、更真实——在后者中攻击者可以直接修改原始图结构。我们的方法在推理阶段工作，使其成为一种逃避攻击，且几乎可立即应用，因为它不涉及耗时的迭代优化或参数学习（这些会增加计算和时间开销），也不需要训练替代模型（替代模型可能因模型先验和泛化能力的差异而失效）。PEANUT 也不需要注入节点具备任何特征，因此证明了即使在注入节点特征全为零的情况下，GNN 性能也可能显著下降，这凸显了此类攻击中精心设计的连通性的重要意义。在三个图任务上的真实数据集上的大量实验证明了我们的攻击尽管简单但依然有效。
引用
@article{arxiv.2603.26136,
title = {PEANUT: Perturbations by Eigenvector Alignment for Attacking Graph Neural Networks Under Topology-Driven Message Passing},
author = {Bhavya Kohli and Biplab Sikdar},
journal= {arXiv preprint arXiv:2603.26136},
year = {2026}
}
备注
This work is a preprint. 8 content pages, 12 total pages including references