TDGIA：针对图神经网络的有效注入攻击
机器学习
2021-11-10 v2 密码学与安全
摘要
图神经网络（GNNs）已在各种现实应用中取得令人瞩目的性能。然而，近期研究表明 GNNs 易受对抗攻击。本文研究一种近期提出的现实图攻击场景——图注入攻击（GIA）。在 GIA 场景中，攻击者无法修改输入图的现有链接结构与节点属性，而是通过向图中注入对抗性节点来实施攻击。我们基于 GIA 设定对 GNNs 的拓扑脆弱性进行了分析，并据此提出拓扑缺陷图注入攻击（TDGIA）以实现有效注入攻击。TDGIA 首先引入拓扑缺陷边选择策略，以选取与注入节点相连的原始节点；随后设计平滑特征优化目标，为注入节点生成特征。在大规模数据集上的大量实验表明，TDGIA 在攻击数十种防御型 GNN 模型时能持续且显著优于各类攻击基线。值得注意的是，TDGIA 导致目标 GNNs 的性能下降，是 KDD-CUP 2020 数百份提交中最佳攻击方案所造成损害的两倍以上。
引用
@article{arxiv.2106.06663,
title = {TDGIA:Effective Injection Attacks on Graph Neural Networks},
author = {Xu Zou and Qinkai Zheng and Yuxiao Dong and Xinyu Guan and Evgeny Kharlamov and Jialiang Lu and Jie Tang},
journal= {arXiv preprint arXiv:2106.06663},
year = {2021}
}
备注
KDD 2021 research track paper