矛与盾：连续时间动态图上基于模型的链接预测的对抗攻击与防御方法
机器学习
2024-02-26 v2 社会与信息网络
摘要
现实世界图是动态的，不断演化出新的交互，例如金融网络中的金融交易。时间图神经网络（TGNNs）已被开发以有效捕获动态图中的演化模式。尽管这些模型已展现优越性并被广泛采用於多个重要领域，它们针对对抗攻击的脆弱性仍很大程度上未被探索。本文中，我们提出 T-SPEAR，一种简单有效的针对连续时间动态图链接预测的对抗攻击方法，聚焦于研究 TGNNs 的脆弱性。具体而言，在作为链接预测 TGNN 的受害者模型训练过程之前，我们向数据中注入边扰动，这些扰动在我们提出的四项约束下不可察觉，却足以导致受害者模型故障。此外，我们提出一种鲁棒训练方法 T-SHIELD 以减轻对抗攻击的影响。通过边过滤和强制节点嵌入的时间平滑性，我们增强了受害者模型的鲁棒性。我们的实验研究表明，T-SPEAR 显著降低了受害者模型在链接预测任务上的性能，甚至我们的攻击可迁移到其他与攻击者所假设受害者模型不同的 TGNNs。此外，我们证明 T-SHIELD 有效过滤对抗边并对抗攻击展现鲁棒性，在 T-SPEAR 下超越朴素 TGNN 的链接预测性能达 11.2%。
引用
@article{arxiv.2308.10779,
title = {Spear and Shield: Adversarial Attacks and Defense Methods for Model-Based Link Prediction on Continuous-Time Dynamic Graphs},
author = {Dongjin Lee and Juho Lee and Kijung Shin},
journal= {arXiv preprint arXiv:2308.10779},
year = {2024}
}
备注
Published at AAAI 2024