揭示 Graph-LLMs 的脆弱性：基于 TAG 的可解释多维对抗攻击
机器学习
2025-10-15 v1
摘要
图神经网络 (GNN) 已成为建模图结构数据的最重要框架，使其能够应用于从社交网络分析到分子化学的广泛应用领域。通过集成大语言模型 (LLM)，文本属性图 (TAG) 增强了节点表示，显著提升了图基学习的表达能力。然而，这种复杂的协同效应引入了关键脆弱性，因为 Graph-LLMs 对结构拓扑和文本属性上的对抗攻击都高度敏感。虽然为每个方面设计了专门的攻击方法，但尚无工作将其统一为综合方法。本文提出了可解释多维图攻击 (IMDGA)，这是一种 novel 的 human-centric 对抗攻击框架，旨在协调图结构和文本特征上的多级扰动。IMDGA 利用三个紧密集成的模块来构建平衡可解释性和影响力的攻击，使我们能够更深入地理解 Graph-LLM 的脆弱性。通过严格的理论分析和全面的经验评估在多样化数据集和架构上，IMDGA 在可解释性、攻击效果、隐蔽性和鲁棒性方面均优于现有方法。通过暴露 TAG 表示学习中的关键弱点，本工作揭示了 Graph-LLMs 语义维度上一个此前不足被探索的脆弱性，为改善其韧性提供了宝贵见解。我们的代码和资源已公开提供于 https://anonymous.4open.science/r/IMDGA-7289。
引用
@article{arxiv.2510.12233,
title = {Unveiling the Vulnerability of Graph-LLMs: An Interpretable Multi-Dimensional Adversarial Attack on TAGs},
author = {Bowen Fan and Zhilin Guo and Xunkai Li and Yihan Zhou and Bing Zhou and Zhenjun Li and Rong-Hua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2510.12233},
year = {2025}
}
备注
12 pages, 4 figures