针对图神经网络的单节点攻击
机器学习
2022-09-30 v2 人工智能
摘要
图神经网络（GNNs）已在众多领域展现出广泛的适用性。这些领域（例如社交网络与产品推荐）是恶意用户与行为的温床。本文中，我们表明GNNs在极其有限（因而相当现实）的单节点对抗攻击场景下是脆弱的，其中被扰动的节点无法由攻击者选定。也就是说，攻击者仅通过轻微扰动图中另一个任意单节点的特征或邻居列表，即使无法选择该特定攻击节点，也能迫使GNN将任意目标节点分类为选定标签。当允许 adversary 选择攻击节点时，这些攻击甚至更加有效。我们通过实验证明，我们的攻击在各种常见GNN类型（如GCN、GraphSAGE、GAT、GIN）以及鲁棒优化GNN（如Robust GCN、SM GCN、GAL、LAT-GCN）上均有效，并在多个真实世界数据集上的定向与非定向攻击中均优于先前的攻击方法。我们的代码见 https://github.com/benfinkelshtein/SINGLE 。
引用
@article{arxiv.2011.03574,
title = {Single-Node Attacks for Fooling Graph Neural Networks},
author = {Ben Finkelshtein and Chaim Baskin and Evgenii Zheltonozhskii and Uri Alon},
journal= {arXiv preprint arXiv:2011.03574},
year = {2022}
}
备注
Appeared in Neurocomputing