面向图神经网络的任务与模型无关对抗攻击
机器学习
2022-12-09 v3 密码学与安全
摘要
针对图神经网络（GNNs）的对抗攻击揭示了其安全漏洞，限制了它们在安全关键型应用中的采用。然而，现有的攻击策略依赖于对被使用的GNN模型或所受攻击的预测任务的了解。这些知识是必要的吗？例如，一个图可能被用于实际攻击者未知的多个下游任务。因此，在模型与任务无关的设置下测试GNNs对对抗扰动的脆弱性十分重要。在这项工作中，我们研究该问题并表明，即便下游任务与模型未知，GNNs仍然脆弱。所提出的算法TANDIS（通过邻域扭曲的定向攻击）表明，节点邻域的扭曲能有效大幅损害预测性能。尽管邻域扭曲是NP困难问题，TANDIS通过将图同构网络与深度Q学习新颖结合设计了有效的启发式方法。在真实数据集与最先进模型上的大量实验表明，平均而言，TANDIS比最先进技术有效率高至多50%，且速度快逾1000倍。
引用
@article{arxiv.2112.13267,
title = {Task and Model Agnostic Adversarial Attack on Graph Neural Networks},
author = {Kartik Sharma and Samidha Verma and Sourav Medya and Arnab Bhattacharya and Sayan Ranu},
journal= {arXiv preprint arXiv:2112.13267},
year = {2022}
}
备注
To appear as a full paper in AAAI 2023