基于查询且不易察觉的邻域视角图注入攻击
机器学习
2025-02-05 v1 密码学与安全
摘要
图神经网络（GNNs）的鲁棒性因其应用范围的不断扩大而成为一个日益重要的课题。人们提出了各种攻击方法来探索GNNs的脆弱性，从图修改攻击（GMA）到更实用、更灵活的图注入攻击（GIA）。然而，现有方法面临两个关键挑战：（i）它们依赖于代理模型，这常常因结构差异和先验偏差导致攻击效果降低；（ii）现有的GIA方法常常为了绕过某些防御模型而牺牲在无防御环境下的攻击成功率，从而限制了它们的整体有效性。为了克服这些限制，我们提出了QUGIA，一种基于查询且不易察觉的图注入攻击。QUGIA通过首先基于受害节点连接选择边，然后使用贝叶斯框架生成节点特征来注入节点。这确保了注入的节点与原始图节点相似，隐式地保持了同质性，并使攻击更不易察觉。与以往方法不同，QUGIA不依赖代理模型，从而避免了性能下降并实现了更好的泛化能力。在六个具有不同特征的真实世界数据集上进行的大量实验表明，QUGIA实现了不易察觉的攻击，并优于最先进的攻击者。代码将在接收后发布。
引用
@article{arxiv.2502.01936,
title = {Query-Based and Unnoticeable Graph Injection Attack from Neighborhood Perspective},
author = {Chang Liu and Hai Huang and Yujie Xing and Xingquan Zuo},
journal= {arXiv preprint arXiv:2502.01936},
year = {2025}
}