以围棋棋盘为图：强化学习下无梯度节点注入攻击的图神经网络

AAAINov, 2022

以围棋棋盘为图：强化学习下无梯度节点注入攻击的图神经网络

Let Graph be the Go Board: Gradient-free Node Injection Attack for Graph Neural Networks via Reinforcement Learning

Mingxuan Ju, Yujie Fan, Chuxu Zhang, Yanfang Ye

TL;DR本研究针对图神经网络的黑盒节点插入攻击问题，提出了基于强化学习框架的渐进式无梯度节点插入攻击方法，并通过对八个基准数据集的广泛实验表明其在攻击效率和攻击成功率方面均优于现有攻击方法。

Abstract

graph neural networks (GNNs) have drawn significant attentions over the years and been broadly applied to essential applications requiring solid robustness or vigorous security standards, such as product recommendation and user behavior modeling. Under these scenarios, exploiting GNN's

graph neural networks vulnerabilities node injection attack reinforcement learning black-box

发现论文，激发创造

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

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

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

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

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

通过强化学习对图形进行节点注入攻击

在现实世界中的图应用中，攻击者往往会注入有害节点以降低分类性能，本文提出了一种基于增强学习的节点注入中毒攻击方法 NIPA，并在多个基准数据集上进行了实验，证明了其相对于现有最先进方法的卓越性能。

Sep, 2019

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

全球攻击图神经网络：通过不可察觉的节点注入

本文提出一种用于图神经网络的对抗攻击方法 GANI，通过注入虚假节点以达到攻击的目的，在结构和特征领域中进行不可察觉的扰动，通过基于遗传算法的统计信息确定新注入节点的度和生成特征并选择邻居节点，该方法在针对基准数据集和防御 GNN 的实验中展现出强大的攻击性和相对不可察觉性的优强表现。

Oct, 2022

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

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