Oct, 2018

通过添加虚假节点来攻击图卷积网络

PDF
TL;DR本研究探索了图卷积网络的鲁棒性。我们提出了一种新的 “假节点攻击” 来攻击 GCN，通过添加恶意伪造节点相对于以往攻击更加现实。我们使用了贪婪算法来产生具有误导性质的恶意节点，并介绍了一种分类器来将恶意节点与真实节点区分开来，我们的攻击使得 GCN 的准确性下降到 0.03，针对一组 100 个节点的情况下，我们的有目标攻击成功率高达 78％，对于单个目标节点平均攻击成功率为 90％。
graph convolutional networksrobustnessfake node attacksmalicious nodesclassification accuracy
发现论文，激发创造
  • 通过注入恶意节点对图数据进行可扩展的攻击

    本文提出一种名为 AFGSM 的可测量攻击框架，用于针对在大规模节点图上的深度学习模型进行攻击，实现注入新的恶意节点并大幅降低模型分类准确率。

    Apr, 2020

  • GraphDefense: 构建强健的图卷积网络

    本文研究了图卷积网络在对抗扰动下的鲁棒性，通过提出 GraphDefense 方法，成功提高了图卷积网络的鲁棒性，同时能够维持半监督学习的设定，具有较大的应用潜力。

    Nov, 2019

  • 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

  • 通过重连对图卷积网络进行攻击

    本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。

    Jun, 2019

  • 图神经网络黑盒节点注入攻击

    本文通过建立节点注入攻击的马尔科夫决策过程模型，提出了一种基于强化学习框架 （GA2C）的节点注入方法，将注入节点结构化地插入原图中。研究结果表明，与现有最先进的方法相比，本文提出的 GA2C 方法具有更高的注入成功率和分类误差率。

    Feb, 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

  • 基于查询的聚类攻击：在具有图相关先验知识的图上进行对抗性攻击

    本文提出了一种对节点分类的图注入攻击 (Cluster Attack--a Graph Injection Attack)，通过将虚假节点注入到原始图中，以退化图神经网络 (GNNs) 对特定受害节点的性能，同时尽可能少地影响其他节点，并将受害节点聚类。该攻击以一种实际且不易被察觉的基于查询的黑盒方式进行，具有较高的攻击成功率。

    Sep, 2021

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020

  • 网络嵌入的快速梯度攻击

    本研究基于图卷积网络的渐变信息生成对抗性网络，在社交网络等情境中，通过只重新链接少量节点即可干扰网络嵌入，保护目标节点的隐私。

    Sep, 2018

  • 图数据上的对抗样本：攻击和防御的深度洞察

    本文提出了针对图数据的攻击和防御技术，其中引入了集成梯度来解决离散特征的问题，并且发现对于攻击后的图形，它的统计特征与正常图形不同，并提出一种检查图像并找到潜在的对抗扰动的方法。经过若干数据集的测试显示本文方法的有效性。

    Mar, 2019