Jul, 2024
后门图压缩
Backdoor Graph Condensation
TL;DR最近，图压缩已成为提高图神经网络（GNN）训练效率的主要技术之一。本文通过将大型图压缩为小型图，使得在小型合成图上训练的GNN能够达到与在大型图上训练的GNN相当的性能。然而，现有的图压缩研究主要关注图大小和GNN性能（模型效用）之间的最佳权衡，却没有研究图压缩的安全问题。为了弥补这一研究空白，我们提出了反向图压缩的任务。通过注入触发器攻击图压缩，本文引入了两个主要目标：1）触发器的注入不能影响压缩图的质量，保持GNN在其上训练的有效性；2）在整个压缩过程中，触发器的效果应该保持不变，从而实现高攻击成功率。为了实现这些目标，我们设计了第一种反向图压缩攻击方法BGC。具体而言，我们在压缩过程中注入触发器，并迭代更新触发器以确保攻击的有效性。此外，我们提出了一个有毒节点选择模块，以最小化触发器对压缩图质量的影响。广泛的实验证明了我们攻击方法的有效性。在所有情况下，BGC实现了高攻击成功率（接近1.0）和良好的模型效用。此外，实验结果表明我们的方法对抗多种防御方法的能力。最后，我们进行了全面的研究，分析影响攻击性能的因素。