基于强化学习的动态图链接预测黑盒规避攻击
密码学与安全
2020-09-15 v2 人工智能
机器学习
社会与信息网络
摘要
动态图链接预测(LPDG)是一个重要的研究问题,在在线推荐、疾病传播研究、组织研究等方面具有多样应用。近期基于图嵌入与图神经网络的各种LPDG方法被提出并取得了最先进的性能。本文研究LPDG方法的脆弱性,并提出首个实用的黑盒规避攻击。具体而言,给定一已训练的LPDG模型,我们的攻击旨在扰动图结构,在不知晓模型参数、模型架构等的情况下,使LPDG模型预测出尽可能多的错误链接。我们基于随机策略的强化学习算法设计攻击。此外,我们在来自不同应用领域的三个真实图数据集上评估了攻击。实验结果表明我们的攻击既有效又高效。
引用
@article{arxiv.2009.00163,
title = {Reinforcement Learning-based Black-Box Evasion Attacks to Link Prediction in Dynamic Graphs},
author = {Houxiang Fan and Binghui Wang and Pan Zhou and Ang Li and Meng Pang and Zichuan Xu and Cai Fu and Hai Li and Yiran Chen},
journal= {arXiv preprint arXiv:2009.00163},
year = {2020}
}