.png){kind=icon}
返回
Balanced poisoning: A stealthy backdoor attack for node classification in imbalanced graph data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115538.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）已作为近期图编码方法学的前沿技术出现，并在多种图挖掘任务中取得了显著成功。研究表明，GNNs在节点分类任务中易受后门攻击。然而，这些攻击的有效性基于受污染训练数据的类别分布平衡的假设，而该假设在实际场景中往往不成立。在类别不平衡设置下，攻击成功率（ASRs）在不同类别间表现出显著差异。此外，构造隐蔽触发器构成重大挑战。为解决这些问题，我们提出了一种针对不平衡节点分类的新型后门攻击方法，称为BPBA，其设计用于执行平衡且隐蔽的攻击。我们开发了一种新的污染节点选择策略和构造隐蔽触发器的机制。我们的策略精心从每类中选择污染节点，确保准确性和公平性，而我们的触发器构造方法自适应地创建微妙触发器，从而增强对防御措施的抗性。在多尺度数据集上进行的全面实验验证了BPBA在不平衡数据节点分类任务中的有效性、平衡性和隐蔽性。
Keyword:
Backdoor attack
Graph Neural Networks
Node classification
Class imbalance
Stealthy triggers
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
查看更多机构
引用论文
分享收藏
分享收藏Knowledge graphs in practice: characterizing their users, challenges, and visualization opportunities知识图谱实践：表征其用户、挑战和可视化机会.png)
IF0
PREAI
分享收藏Incorporating metapath interaction on heterogeneous information network for social recommendation
PREAI
分享收藏
Artificial intelligence enabled cyber security defense for smart cities: A novel attack detection framework based on the MDATA model人工智能支持智能城市的网络安全防御: 基于MDATA模型的新型攻击检测框架
PREAI
分享收藏 没有更多内容