.png){kind=icon}
返回
RIDA: a robust attack framework on incomplete graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s11280-025-01354-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着图神经网络（GNNs）日益重要，它们正成为污染攻击的主要目标。这些攻击通过向用于重新训练的数据集中注入扰动，导致模型性能下降。为构建鲁棒GNN模型，设计强大的污染攻击模型作为基础基准和指导参考至关重要。现有攻击模型假设攻击者可获取完整的图结构和属性信息。然而，在许多场景下，由于数据源的隐私政策，仅能获取部分或不完整的图数据。鉴于此，我们提出了一种针对不完整图的实用攻击方法，命名为Robust Incomplete Deep Attack Framework（RIDA）。它是首个针对不完整图的鲁棒灰盒污染攻击方法。为确保攻击的可靠代理模型，我们引入了Depth-plus GNN模块以实现长程信息传播，并采用Local-global Aggregation模块以优化特征聚合。此外，我们通过Holistic Adversarial Attack模块对不完整图进行污染攻击的优化与执行。在3个真实数据集上针对9种最新基准的广泛评估表明，RIDA在攻击不完整图上的GNN方面优于现有方法。
Keyword:
Graph neural networks
Poisoning attacks
Incomplete graphs
期刊
W
IF:
3.4
论文数:
57
被引数:
2.3K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏GIDCL: A Graph-Enhanced Interpretable Data Cleaning Framework with Large Language ModelsGIDCL：一种基于大型语言模型的图增强可解释数据清洗框架
PREAI
分享收藏
分享收藏
查看更多内容