异构图节点分类的基于 Top K 增强强化学习攻击
机器学习
2025-09-19 v2 人工智能
摘要
图神经网络（GNN）因其在图基数据上的卓越性能而引起广泛关注。然而，其鲁棒性，特别是针对异构图的鲁棒性，仍在对抗攻击方面受到 insufficient 探索。本文提出了 HeteroKRLAttack，一种针对异构图的节点分类的有针对性的 evasion 黑盒攻击方法。通过将强化学习与 Top-K 算法集成以减少动作空间，我们的方法有效地识别了干扰节点分类任务的有效攻击策略。通过在多个异构图数据集上的实验验证了 HeteroKRLAttack 的有效性，显示相较于基线方法，分类准确率显著下降。消融研究强调了 Top-K 算法在提升攻击性能中的关键作用。我们的发现凸显了当前模型的潜在漏洞，并为针对异构图对抗攻击的未来防御策略提供了指导。
引用
@article{arxiv.2408.01964,
title = {Top K Enhanced Reinforcement Learning Attacks on Heterogeneous Graph Node Classification},
author = {Honglin Gao and Xiang Li and Yajuan Sun and Gaoxi Xiao},
journal= {arXiv preprint arXiv:2408.01964},
year = {2025}
}