隐蔽而有效：针对图分类的分布保持后门攻击

图神经网络在图神经网络分类、链接预测和图分类等任务中表现出色，但仍易受后门攻击，攻击者在训练期间植入难以察觉的触发器以控制预测结果。虽然节点级攻击利用局部消息传递，但图级攻击面临在保持隐蔽性的同时操纵全局表征的更严峻挑战。我们识别出现有图分类后门方法中的两个主要异常来源：由稀有子图触发器引起的结构偏差和由标签翻转引起的语义偏差，这两者都使得被污染的图容易被异常检测模型检测到。为了解决这个问题，我们提出了DPSBA，一个干净标签后门框架，它通过由异常感知判别器引导的对抗训练来学习分布内触发器。DPSBA有效抑制了结构和语义异常，在实现高攻击成功率的同时显著提高了隐蔽性。在真实世界数据集上的大量实验验证，与最先进的基线方法相比，DPSBA在有效性和可检测性之间实现了更优的平衡。