图神经网络上难以察觉的后门攻击
密码学与安全
2023-03-03 v1 机器学习
摘要
图神经网络（GNNs）在节点分类和图分类等多种任务中取得了令人满意的结果。近期研究发现 GNNs 易受对抗攻击。然而，针对图的有效后门攻击仍是一个开放问题。具体而言，后门攻击通过向训练图中的一组节点附加触发器和目标类标签来投毒该图。在投毒图上训练得到的带后门 GNNs，一旦测试节点被附加触发器，就会被误导将测试节点预测为目标类。尽管在图后门攻击方面已有一些初步尝试，我们的实证分析表明，它们可能需要较大的攻击预算才能实现有效后门攻击，且注入的触发器易被检测和剪枝。因此，本文研究一种攻击预算受限的难以察觉的图后门攻击这一新问题。为充分利用攻击预算，我们提出在投毒阶段刻意选择注入触发器和目标类标签的节点。部署一个自适应触发器生成器以获得难以被察觉的有效触发器。在真实数据集上针对多种防御策略的大量实验证明了我们所提方法在实施有效且难以察觉的后门攻击方面的有效性。
引用
@article{arxiv.2303.01263,
title = {Unnoticeable Backdoor Attacks on Graph Neural Networks},
author = {Enyan Dai and Minhua Lin and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2303.01263},
year = {2023}
}