返回
Backdoor Attacks on Graph Classification via Data Augmentation and Dynamic Poisoning
DOI:10.1007/978-3-032-06066-2_16.png)
摘要
En 中文
图神经网络(GNNs)在生物信息学、社交网络和化学信息学等领域已得到广泛应用,但它们仍然容易受到后门攻击。现有的后门攻击通常依赖子图触发器,这往往会引入可检测的异常,并采用随机中毒样本选择,导致隐蔽性和效率降低。为解决这些局限性,我们提出了一种新型后门攻击框架,利用基于数据增强的触发器和动态中毒样本选择。具体而言,我们设计了三种替代数据增强策略,即基于余弦相似性的边修改、基于度中心性的边移除和通过梯度显著性进行特征掩码,作为后门触发器。此外,我们引入了一种受遗忘事件启发的动态中毒样本选择方法。该方法动态优先考虑高影响中毒样本,以提高攻击效率,同时减少达到相应攻击成功率(ASR)所需的样本数量。在四个基准数据集PROTEINS、NCI1、Mutagenicity和ENZYMES上的实验证明了我们方法的优势。
Keyword:
GNNs
Graph Classification
Backdoor Attacks
期刊
机构
引用论文
Evolution of Support Vector Machine and Regression Modeling in Chemoinformatics and Drug Discovery支持向量机和回归建模在化学信息学和药物发现中的发展

