面向灰盒图对抗攻击的等距映射代理表示学习
人工智能
2022-02-23 v3
摘要
灰盒图攻击旨在利用对受害模型有限认知下的不显眼攻击破坏受害模型性能。受害模型的参数与测试节点标签对攻击方不可见。为获取节点属性或图结构上的梯度，攻击方构建受监督训练的虚构代理模型。然而，关于代理模型训练及所提供梯度信息鲁棒性的讨论尚显不足。通用节点分类模型丢失了图上节点的拓扑结构，而这事实上是攻击方可利用的先验。本文研究代理模型表示学习对灰盒图对抗攻击可迁移性的影响。为在代理嵌入中保留拓扑，我们提出基于等距映射的代理表示学习（SRLIM）。通过使用等距映射方法，所提 SRLIM 可约束节点从输入层到嵌入空间的拓扑结构，即在传播过程中维持节点的相似性。实验通过在无目标中毒灰盒设定下基于梯度的攻击方生成的对抗攻击性能提升，证明了方法的有效性。
引用
@article{arxiv.2110.10482,
title = {Surrogate Representation Learning with Isometric Mapping for Gray-box Graph Adversarial Attacks},
author = {Zihan Liu and Yun Luo and Zelin Zang and Stan Z. Li},
journal= {arXiv preprint arXiv:2110.10482},
year = {2022}
}