AGSOA：基于平均梯度和结构优化的图神经网络目标攻击

Jun, 2024

AGSOA：基于平均梯度和结构优化的图神经网络目标攻击

AGSOA:Graph Neural Network Targeted Attack Based on Average Gradient and Structure Optimization

Yang Chen, Bin Zhou

TL;DR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%。

Abstract

graph neural networks(GNNs) are vulnerable to adversarial attack that cause performance degradation by adding small perturbations to the graph. g

graph neural networks adversarial attack gradient-based attacks local optima invisibility

发现论文，激发创造

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

图神经网络的拓扑攻击与防御：优化视角

本文提出了基于梯度的攻击方法，以解决离散图数据的难点，并基于此提出了第一个面向图神经网络的基于优化的对抗训练，可以提高不同梯度和贪心攻击方法的鲁棒性，同时不牺牲原始图的分类准确性。

Jun, 2019

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

大规模图神经网络的健壮性

本文研究了如何攻击和防御大规模 GNN，设计了一种高效表示的稀疏感知优化攻击和鲁棒的聚合函数 ——Soft Median，并且展示了优于常见代理损失函数的全局攻击替代方案。

Oct, 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

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

攻击图结构时梯度告诉我们什么

该研究证明了图神经网络容易受到对抗性攻击，在此基础上提出了一种多跳聚合的信息传递和正则化方法以增强对抗攻击的隐蔽性和攻击性能。

Aug, 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

MGA: 动量梯度攻击网络

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。

Feb, 2020

HyperAttack：超图神经网络白盒敌对结构攻击的多梯度引导方法

本论文介绍了 HyperAttack-- 第一个针对超图神经网络的白盒子对抗攻击框架，提高了攻击成功率和时间效率，作为一种结构攻击方法，通过扰乱向目标节点连接的超边状态，并引导梯度和集成梯度。

Feb, 2023