针对具有非同质性特征的图结构的受限黑盒攻击

《IEEE Transactions on Knowledge and Data Engineering》：Restricted Black-box Attack on Graphs Beyond Homophily

　　图神经网络（GNNs）对抗攻击中受限黑盒攻击（RBAs）面临异质性图结构处理难题，现有方法依赖同质性假设或位移损失失效。本文提出节点距离度量作为核心目标，构建HetAttack方法有效降低攻击后节点可区分性，实验在合成与真实图数据验证其跨同质性泛化能力，性能接近白盒攻击且无需标签或模型先验知识。

　　

摘要：

图神经网络（GNNs）在各种应用中变得非常流行，但其容易受到对抗性攻击是一个关键问题。在各种图攻击类型中，受限黑盒攻击（RBAs）对攻击者的限制最为严格，因为攻击者只能访问节点特征和图结构。现有的RBAs依赖于同质性假设或基于位移的损失函数来进行结构扰动，但我们证明了这些方法在异质图中都失效了。为了解决这个问题，我们引入了基于节点距离的度量标准作为目标，以从根本上量化扰动后图结构的质量。我们的理论结果表明，所提出的目标使RBAs能够有效处理非同质性图。利用这一目标，我们提出了HetAttack，这是一种可扩展的方法，能够显著降低目标图中节点的可区分度。在合成图和真实世界图上的实验验证了HetAttack的有效性，无论同质性水平如何，其性能都与无需事先了解标签或目标模型的分裂未知白盒攻击相当。