Motif-Backdoor: 通过 Motifs 重新思考对图神经网络的后门攻击

Oct, 2022

Motif-Backdoor: 通过 Motifs 重新思考对图神经网络的后门攻击

Motif-Backdoor: Rethinking the Backdoor Attack on Graph Neural Networks via Motifs

Haibin Zheng, Haiyang Xiong, Jinyin Chen, Haonan Ma, Guohan Huang

TL;DR本文提出了一种基于图案的后门攻击（Motif-Backdoor），从基序结构和后门攻击效果的相关性解释了后门攻击的有效性，并在不需要目标模型反馈或子图模型生成的情况下实现了有效的触发器结构。

Abstract

graph neural network (GNN) with a powerful representation capability has been widely applied to various areas, such as biological gene prediction, social recommendation, etc. Recent works have exposed that GNN is vulnerable to the →

graph neural network backdoor attack motifs interpretation efficiency

发现论文，激发创造

基于图神经网络的链路预测任务的后门攻击

本文介绍了一种基于图神经网络的链接预测任务中的后门攻击方法，并揭示了 GNN 模型中存在的安全漏洞，当触发器出现时，后门将被嵌入 GNN 模型中，导致模型错误地预测未连接的两个节点之间存在链接关系。

Jan, 2024

图神经后门：基础、方法学、应用与未来发展方向

通过定义、总结与分类当前的 GNN 后门攻击和防御，应用场景的分析以及对 GNN 后门潜在研究方向的探索，本论文提供了对 GNN 后门的调查，并在图后门原理方面做出探索，为防御方提供见解并推动未来的安全研究。

Jun, 2024

图神经网络的后门攻击

本文提出了一种基于子图的背门攻击方法，可以对图神经网络进行攻击。在实验中发现，该攻击在对干净测试图的预测准确率影响较小，同时也提出了一种随机平滑的认证防御策略，但该防御策略在某些情况下无效。

Jun, 2020

针对图神经网络后门攻击的可解释性防御

本文提出了第一种基于图神经网络（GNN）的后门攻击检测和防御方法，通过评估模型的透明度和不透明度，识别恶意样本，并利用其可解释性确定最显著的子图，从而减少成功攻击率。

Sep, 2022

图形后门

研究探讨了 GNN 中的防后门攻击，提出了一种新的攻击方法 GTA，可以在各类安全应用中袭击任何实验中的模型；该攻击方法是基于子图，能够在不了解下游模型或微调策略的情况下立即启动，并在基准数据集和最先进的模型上进行了广泛的评估。

Jun, 2020

邻域背水一战：对图卷积网络的攻击

本文旨在解决针对图形数据的后门攻击问题，提出了一种称为 “邻近后门” 的后门，通过设置触发节点并将其与目标节点相连接来触发后门，在保持模型准确性的情况下，提出了两种后门方案：线性图卷积后门和现有图攻击变体。经过多次实验，所有提出的后门攻击均能够在几乎不影响预测准确性的情况下实现几乎 100% 的攻击成功率。

Jan, 2022

可转移的图形后门攻击

本研究发现并展示了 TRAP 攻击，一种生成可转移的背门攻击（transferable backdoor attacks）的新型杂质触发方法，该攻击利用 surrogate Graph Convolutional Network（GCN）模型生成样本特定的干扰触发器，可以被转移到不同的 GNN 模型中，是一种新型的黑盒背门攻击。

Jun, 2022

XGBD: 说明引导的图形后门检测

我们提出了一种基于解释的后门检测方法，利用拓扑信息来检测后门样本，通过训练一个辅助模型，将图样本输入模型，并采用解释方法将模型预测归因于一个重要的子图，通过观察到后门样本和干净样本的不同归因分布，解释子图可以作为更具有辨别性的特征来检测后门样本，全面的实验验证了我们方法的有效性和可解释性。

Aug, 2023

基于鲁棒性的图神经网络反后门攻击防御

图神经网络对抵御不同属性的后门攻击进行了实证验证，并提出了一种随机边缘去除的检测方法，并通过引入新的强化训练策略来有效地抵御触发器的影响。在真实数据集上进行的广泛实验证明，该框架能够有效地识别受到污染的节点，在抵御具有不同属性的不同类型图后门攻击时显著降低攻击成功率，并保持清洁准确性。

Jun, 2024

保护 GNNs：基于说明的检测带后门的训练图

通过开发新的度量方法，探测 Graph Neural Networks 中的后门攻击，并在多个基准数据集上进行测试，取得了较高的检测性能。

Mar, 2024