基于对比损失反向传播的无监督图投毒攻击

图对比学习是最先进的无监督图表示学习框架，并已展现出与有监督方法相当的性能。然而，评估图对比学习是否对对抗攻击具有鲁棒性仍是一个开放问题，因为大多数现有图对抗攻击都是有监督模型，这意味着它们严重依赖标签，且只能用于在特定场景下评估图对比学习。对于图对比学习这类无监督图表示方法，在真实场景中难以获取标签，使得传统有监督图攻击方法难以应用于测试其鲁棒性。本文中，我们提出了一种新颖的、不依赖标签的、基于梯度的无监督图对比学习对抗攻击。我们计算两个视图的邻接矩阵梯度，并通过梯度上升翻转边以最大化对比损失。这样，我们可以充分利用图对比学习模型生成的多个视图，并在不知晓标签的情况下挑选信息量最大的边，从而有望使我们的模型适配更多种类的下游任务。大量实验表明，我们的攻击优于无监督基线攻击，并在包括节点分类和链接预测在内的多个下游任务中与有监督攻击性能相当。我们进一步表明，我们的攻击也可迁移到其他图表示模型。