基于强化学习的图神经网络单节点注入标签特异性攻击
机器学习
2023-05-05 v1 人工智能
密码学与安全
摘要
图神经网络（GNNs）已在多种真实世界应用中取得显著成功。然而，近期研究强调了GNNs对恶意扰动的脆弱性。此前的对抗攻击主要聚焦于对现有图的图修改或节点注入，虽取得可观结果但存在明显局限。图修改攻击（GMA）需操纵原始图，这通常不切实际；而图注入攻击（GIA）在黑盒设定下需训练替代模型，因替代架构与实际受害模型间的偏差导致性能显著下降。此外，多数方法集中于单一攻击目标，缺乏可泛化对手以为不同目标制定差异化攻击策略，从而限制了对真实场景中受害模型行为的精确控制。为解决这些问题，我们提出一种无梯度可泛化对手，在黑盒规避设定下注入单个恶意节点以操纵目标节点的分类结果。我们提出无梯度可泛化单节点注入攻击，即G-SNIA，一种采用近端策略优化的强化学习框架。通过直接查询受害模型，G-SNIA从探索中学习模式，以极有限攻击预算实现多样攻击目标。通过在三个公认基准数据集与四种主流GNNs最具挑战且最真实场景下的综合实验，我们证明了所提G-SNIA相对于现有最优基线的优越性能。此外，通过将G-SNIA与多种白盒规避基线比较，我们确认其生成可与最佳对手相媲美解的能力。
引用
@article{arxiv.2305.02901,
title = {Single Node Injection Label Specificity Attack on Graph Neural Networks via Reinforcement Learning},
author = {Dayuan Chen and Jian Zhang and Yuqian Lv and Jinhuan Wang and Hongjie Ni and Shanqing Yu and Zhen Wang and Qi Xuan},
journal= {arXiv preprint arXiv:2305.02901},
year = {2023}
}