基于投影排序的图神经网络规避攻击
机器学习
2023-02-08 v3 密码学与安全
摘要
图神经网络（GNNs）为图相关任务提供了有前景的学习方法。然而，GNNs 面临对抗性攻击的风险。当前规避攻击方法的两个主要局限值得关注：（1）当前的 GradArgmax 忽略了扰动的“长期”收益，在某些情形下面临零梯度与无效收益估计的问题。（2）在基于强化学习的攻击方法中，当攻击预算改变时，学到的攻击策略可能不可迁移。为此，我们首先形式化扰动空间并提出一种评估框架与投影排序方法。我们旨在学习一种强大的攻击策略，然后尽可能少地调整它，以在动态预算设置下生成对抗样本。在我们的方法中，基于互信息，我们对每次扰动的攻击收益进行排序与评估，以获得有效的攻击策略。通过投影该策略，我们的方法在攻击预算改变时极大地降低了学习新攻击策略的代价。在与 GradArgmax 和 RL-S2V 的对比评估中，结果表明我们的方法具有高攻击性能与有效的可迁移性。我们方法的可视化还揭示了对抗样本生成中的多种攻击模式。
引用
@article{arxiv.2202.12993,
title = {Projective Ranking-based GNN Evasion Attacks},
author = {He Zhang and Xingliang Yuan and Chuan Zhou and Shirui Pan},
journal= {arXiv preprint arXiv:2202.12993},
year = {2023}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering