基于强化学习的图神经网络节点注入标签特异性攻击

May, 2023

基于强化学习的图神经网络节点注入标签特异性攻击

Single Node Injection Label Specificity Attack on Graph Neural Networks via Reinforcement Learning

Dayuan Chen, Jian Zhang, Yuqian Lv, Jinhuan Wang, Hongjie Ni...

TL;DR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。

Abstract

graph neural networks (GNNs) have achieved remarkable success in various real-world applications. However, recent studies highlight the vulnerability of GNNs to malicious perturbations. Previous adversaries primarily focus on graph modifications or node injections to existing graphs, y

graph neural networks adversarial attacks reinforcement learning black-box evasion node injection

发现论文，激发创造

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

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

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

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。

Nov, 2022

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

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

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

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

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

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

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