IJCAISep, 2021

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

PDF
TL;DR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。
graph neural networksadversarial attacksgraph injection attackcluster attacknode classification
发现论文，激发创造
  • TDGIA: 图神经网络的有效注入攻击

    本文研究了图神经网络受到注入攻击威胁的拓扑漏洞，在此基础上提出了一种效果显著的注入攻击方法 ——TDGIA，通过拓扑缺陷边选择策略和平滑特征优化目标生成虚假节点特征，对防御 GNN 模型进行攻击并成功超过多种攻击基准。

    Jun, 2021

  • 基于图聚类的实用攻击

    本文研究了图建模在解决安全问题方面的能力，重点是对抗机器学习中尚未解决的问题进行了探讨：基于图聚类技术和全局特征空间的对抗性攻击，同时提出了对抗性攻击的防御策略。

    Aug, 2017

  • 针对图神经网络的单节点注入攻击

    该研究提出了优化方法和模型：一个针对单节点注入攻击的优化方案，以及一个通用的针对节点注入的模型 (G-NIA)，实验表明 G-NIA 模型在攻击效率和攻击性能两方面表现优异。

    Aug, 2021

  • 基于强化学习的图神经网络节点注入标签特异性攻击

    提出了一种基于强化学习的无梯度通用对抗攻击方法，称为 G$^2$-SNIA，它可以开展黑盒回避攻击并仅注入单个恶意节点至目标节点来操纵其分类结果，优于现有最先进的基线。

    May, 2023

  • 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

  • 图神经网络上的硬标签黑盒节点注入攻击

    该研究提出了第一种针对图神经网络的非目标黑盒节点注入攻击方法，通过限制优化过程来实现节点注入攻击，并在三个数据集上评估攻击的性能。

    Nov, 2023

  • 通过协作性同质性增强抵抗图形对抗攻击

    本文提出了一种防御框架 CHAGNN 以应对图注射攻击，通过合作同色增强图数据和模型，生成假标签和减少节点间异色边来提高模型鲁棒性，并通过理论分析和实验验证方法的有效性。

    Nov, 2022

  • 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

  • 提高不可察觉性以理解和改进图注入攻击

    该论文研究了图嵌入攻击对图神经网络的影响，提出了基于同质性的防御方法并设计了一种新的目标函数，实现了对同质性嵌入无感知的控制，该方法在提高对抗攻击的鲁棒性方面有着积极的意义。

    Feb, 2022

  • 针对图神经网络的更实用的对抗性攻击

    研究黑盒攻击图神经网络中节点选择的问题，发现通过基于 PageRank 的重要度计算可提高分类误差率，提出一种基于贪心算法的修正方法能有效地解决被攻击节点数量与分类误差率之间的矛盾。

    Jun, 2020