量化结构扰动对图对抗攻击的噪声效应

图神经网络因其强大的学习能力能够利用邻居的局部信息，广泛应用于解决图相关任务。然而，近期研究表明当前图神经网络对恶意攻击不够稳健。然而，已有工作主要关注基于攻击性能的优化目标以获得（近似）最优扰动，却较少关注每种扰动强度的量化，如特定节点/链接的注入，这使得扰动选择成为缺乏可解释性的黑盒模型。本文我们提出了噪声概念，用于量化每种对抗链接的攻击强度。进而，我们提出了三种基于所定义噪声和分类边际的攻击策略，涉及单步和多步优化。在多个基准数据集上针对三个代表性图神经网络进行的大量实验表明，所提出的攻击策略有效。特别地，我们还通过分析所选扰动节点属性来研究有效对抗扰动的首选模式。