Feb, 2020

MGA: 动量梯度攻击网络

PDF
TL;DR本文针对基于梯度信息的对抗攻击方法，对深度学习模型的图嵌入算法的有效性造成了影响，提出了一种动量梯度攻击（Momentum Gradient Attack，MGA）算法。该方法通过将动量项融合到迭代过程中，可以稳定更新方向，使模型跳出较差的局部最优解，并增强了其转移能力，实现了更具侵略性的攻击。实验表明，MGA 算法具有更好的攻击效果和转移能力。
adversarial attackdeep learninggraph embeddingmomentum gradient attacktransferability
发现论文，激发创造
  • 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

  • 基于动量梯度的超图神经网络非定向攻击

    通过设计一种新的 HGNNs 攻击模型，即 MGHGA，集中在修改节点特征上，本论文试图填补现有研究中对 HGNNs 敌对攻击的研究空白，通过在特征选择和特征修改模块中使用动量梯度机制和特征生成方法，MGHGA 能够在离散和连续数据集上有效对节点和视觉对象分类任务进行攻击，并在实验证明相对于基准方法，MGHGA 的攻击性能平均提升了 2%。

    Oct, 2023

  • 同时扰乱一切：实现可微分的图攻击

    通过对图结构进行连续松弛和参数化，我们提出了一种名为 Differentiable Graph Attack（DGA）的新型攻击方法，以高效生成有效的攻击并同时消除了昂贵的重新训练的需求。与最新技术相比，DGA 在不同基准数据集上实现了几乎相等的攻击性能，训练时间减少了 6 倍，GPU 内存占用减少了 11 倍。此外，我们还对 DGA 在不同图模型之间的可转移性以及对广泛使用的防御机制的鲁棒性进行了广泛的实验分析。

    Aug, 2023

  • 大规模图的对抗攻击

    本文提出了一种简化梯度攻击的方法，可以通过多阶段攻击框架在只需较小子图的情况下使图神经网络误分类。此外，作者还提出了度同配改变这一实用指标来衡量对图数据的对抗攻击的影响。

    Sep, 2020

  • 元梯度对抗攻击

    本文提出了一种名为 Meta Gradient Adversarial Attack（MGAA）的新型结构，采用元学习的思想，插入攻击方法以提高跨模型的传递性，通过缩小白盒和黑盒攻击之间的梯度方向差距来改善黑盒设置下的对抗样本的传递性。在 CIFAR10 和 ImageNet 数据集上的实验结果表明，本文所提出的结构在黑盒和白盒攻击设置方面胜过了现有的最先进方法。

    Aug, 2021

  • 增强动量提升对抗转移能力

    本文提出了一种增强的动量迭代梯度法，通过将先前迭代中梯度方向的数据点采样的平均梯度积累，稳定更新方向并逃离局部最大值，有效提高了动量迭代梯度法的对抗迁移性能，进一步结合各种输入转换方法可显著提升对抗迁移性能，实验证明平均提高 11.1%。同时，在集成模型设置下攻击多种尝试性高的防御模型，达到 7.8% 的显著提高。

    Mar, 2021

  • 动量在对抗攻击中的增强

    通过加入动量项的迭代方法，提高了对深度学习模型的黑盒攻击成功率，并得到了广泛的应用。

    Oct, 2017

  • AGSOA：基于平均梯度和结构优化的图神经网络目标攻击

    该研究提出了一种对图神经网络 (GNNs) 进行攻击的方法，称为 AGSOA，该方法通过平均梯度计算和结构优化模块来提高攻击的性能。通过在所有时刻计算梯度信息的平均值来引导攻击生成扰动边，从而稳定攻击更新的方向并避免不良局部最大值；通过计算目标节点与其他节点的相似性和均匀性来调整图结构，从而提高攻击的隐蔽性和可转移性。在三个常用数据集上的实验证明，相比其他先进模型，AGSOA 提高了误分类率 2% 至 8%。

    Jun, 2024

  • 链接预测对抗攻击

    本文定义并阐述了链接预测对抗攻击问题，并提出了一种基于图形自编码器中训练的梯度信息的迭代梯度攻击方法（IGA），该方法表明多数深度学习模型和最先进的链接预测算法都无法逃避对抗攻击。

    Oct, 2018

  • GradMDM: 动态网络的对抗性攻击

    本研究旨在探讨动态神经网络对能源导向攻击的鲁棒性，特别是采用我们的新算法 GradMDM 攻击动态模型，结果显示 GradMDM 可显著提高计算复杂性同时减少扰动的可感知性。

    Apr, 2023