通过图毒化对节点嵌入进行对抗攻击

ICMLSep, 2018

通过图毒化对节点嵌入进行对抗攻击

Adversarial Attacks on Node Embeddings via Graph Poisoning

Aleksandar Bojchevski, Stephan Günnemann

TL;DR本研究针对网络表征学习方法中基于随机游走的广泛使用问题，提供了首个对其鲁棒性的对抗性漏洞分析，提出有效的对抗性扰动对网络结构造成了负面影响，并证明本研究提出的攻击是可迁移的。

Abstract

The goal of network representation learning is to learn low-dimensional node embeddings that capture the graph structure and are useful for solving downstream tasks. However, despite the proliferation of such methods, there is currently no study of their robustness to adversarial attac

network representation learning low-dimensional node embeddings random walks adversarial vulnerability analysis transferable attacks

发现论文，激发创造

通过监督式网络污染对网络嵌入进行对抗攻击

本文从对抗性的角度研究了网络嵌入算法，提出了一种超越现有方法的监督式网络攻击策略 VIKING，并将其扩展到半监督攻击情形并展示了与监督式攻击相当的表现。

Feb, 2021

针对非监督式节点嵌入方法的数据污染攻击

本文研究了无监督节点嵌入方法（如 DeepWalk，LINE 和 node2vec）的鲁棒性问题，提出了一种数据定位攻击来攻击这些方法，针对两种流行的节点嵌入方法（DeepWalk 和 LINE）提出了有效的解决方案，并在多个真实图上评估了攻击模型的性能

Oct, 2018

图数据神经网络的对抗攻击

本文主要介绍了第一项针对属性通用图的对抗攻击研究，特别关注利用图卷积思想的模型，在针对测试及训练阶段的攻击中生成针对节点特征和图结构的对抗扰动，并确保这些扰动在保存重要数据特征的同时，不被察觉，旨在帮助更好地理解和缓解目前深度学习模型在对抗环境下的不足。

May, 2018

图神经网络中节点属性的攻击

通过特征基对抗攻击研究了图在现代社交媒体和学术应用中所具有的复杂网络，并侧重于决策时攻击和毒化攻击，与 Net Attack 和 Meta Attack 等现有模型不同，我们的研究专门针对节点属性。利用 Hellaswag 文本数据集和 Cora 以及 CiteSeer 图数据集进行了分析，结果发现使用投影梯度下降的决策时攻击比使用平均节点嵌入和图对比学习策略的毒化攻击更强大，这为图数据安全提供了启示，指出了图模型最脆弱的部分，从而推动了对此类攻击的更强大防御机制的开发。

Feb, 2024

知识图谱表示学习的对抗鲁棒性

知识图谱是企业应用中智能决策所必需的关于世界事实知识的概念关系，学习知识图谱嵌入（KGE）模型可以有效地推断新知识。然而，该论文指出，现有的 KGE 模型容易受到数据污染攻击，在预测任务中存在安全漏洞，因此提出了两种新颖的数据污染攻击方法，旨在解决这一问题。

Sep, 2022

通过污染邻居节点实施图卷积神经网络的间接对抗攻击

本论文旨在研究图卷积神经网络（GCN）中的对抗性攻击，针对 GCN 中利用邻居节点学习聚合信息的方法进行了攻击，并提出了新的方法来执行间接攻击，以检测网络的鲁棒性。在实验中，作者表明，只需毒化一个远离目标节点一个或两个跳点的单个节点，就可以高置信度地欺骗节点分类器。

Feb, 2020

毒性Ｘ逃避：图神经网络的共生对抗鲁棒性

通过结合污染和逃避两种攻击威胁模型，我们研究了深度学习模型对结构扰动的健壮性，并使用一阶优化设计了一种内存高效的自适应端到端攻击方法。

Dec, 2023

图神经网络抵抗注入攻击的鲁棒性转移

该研究致力于探索清洗图形对提高图神经网络抵御毒化攻击的潜力。提出了一种基于惩罚聚合机制的方法（PA-GNN），该方法通过使用清洗图形和其毒化对应物来训练图神经网络来惩罚干扰项，从而提高了图神经网络对于图形污染攻击的鲁棒性。

Aug, 2019

网络嵌入的对抗训练方法

本文主要介绍了如何使用经过改进的对抗训练方法来解决网络嵌入过程中的过拟合问题，最终取得了较好的模型健壮性和泛化性能，并从节点分类和链接预测两个方面评估了模型的有效性。

Aug, 2019

图结构数据对抗攻击

本文研究了基于图结构的深度学习模型的鲁棒性问题，针对修改数据的组合结构而导致模型攻击的问题，提出了基于强化学习的攻击方法，同时引入遗传算法和梯度法等多种变形方法来进行攻击，并通过实验验证了针对图级别和节点级别分类任务的多种图神经网络模型都具有易受攻击性，同时这些攻击手段可以用来进一步诊断分类器。

Jun, 2018