Structack：基于结构的图神经网络对抗攻击
机器学习
2021-07-29 v2 社会与信息网络
摘要
近期的工作表明，图神经网络（GNN）容易受到图数据上的对抗攻击。常见的攻击方法通常是知情的，即它们可以访问诸如标签和特征向量等节点属性信息。在这项工作中，我们研究无知的对抗攻击，其中攻击者只能访问图结构，而没有关于节点属性的信息。在此，攻击者旨在利用 GNN 模型对图数据所做的结构知识和假设。具体而言，文献表明结构节点中心性和相似性对使用 GNN 的学习有很强的影响。因此，我们研究中心性和相似性对 GNN 对抗攻击的影响。我们证明，攻击者可以通过专注于在低相似度且令人惊讶地低中心性的节点之间注入链接，来利用这些信息以降低 GNN 的性能。我们表明，基于结构的无知攻击可以在计算效率更高的情况下，达到接近知情攻击的性能。通过我们的论文，我们提出了一种针对 GNN 的新攻击策略，我们将其称为 Structack。Structack 能够在非常有限的信息下并在严格的计算约束下操作，成功地操纵 GNN 的性能。我们的工作有助于在图上构建更鲁棒的机器学习方法。
引用
@article{arxiv.2107.11327,
title = {Structack: Structure-based Adversarial Attacks on Graph Neural Networks},
author = {Hussain Hussain and Tomislav Duricic and Elisabeth Lex and Denis Helic and Markus Strohmaier and Roman Kern},
journal= {arXiv preprint arXiv:2107.11327},
year = {2021}
}
备注
Accepted as a full paper at ACM Hypertext on July 9, 2021