针对时空图神经网络的空间聚焦攻击

时空预测在智能交通系统（ITS）的各种应用中发挥着重要作用，如路线规划、导航以及交通控制与管理。深度时空图神经网络（GNN）能够同时捕捉空间和时间模式，在交通预测应用中取得了巨大成功。理解基于 GNN 的预测如何工作以及这些模型的脆弱性和鲁棒性，对于现实世界应用至关重要。例如，如果时空 GNN 在现实世界的交通预测应用中容易受到攻击，黑客可以轻易操纵结果并造成严重的交通拥堵，甚至导致城市级别的瘫痪。然而，尽管最近的研究已经证明深度神经网络（DNN）在目标分类和图表示等多个领域容易受到精心设计的扰动攻击，但由于预测模型中的因果性和时空机制，当前的对抗性工作无法直接应用于时空预测。为了填补这一空白，本文设计了空间聚焦攻击（SFA），通过攻击单个顶点来破坏时空 GNN。为此，我们首先提出逆估计以解决因果性问题；然后，我们将遗传算法与一种通用攻击方法作为评估函数相结合，以定位最薄弱的顶点；最后，通过求解基于逆估计的优化问题来生成扰动。我们在真实世界的交通数据上进行了实验，结果表明，由 SFA 设计的针对单个顶点的扰动可以扩散到图的大部分区域。