.png){kind=icon}
返回
Semantic-consistent trigger generation for backdoor attacks on graph neural networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116900.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）因其固有的非欧几里得数据处理能力，在各类任务中表现出卓越性能。然而，近期研究表明，GNNs在训练过程中易受结构扰动和节点属性操纵的影响，导致决策偏差或错误。当前基于特征的后门攻击方法通常依赖固定形式的触发器或需要结构修改才能有效激活，这可能对原始图结构造成显著破坏。为解决此问题，我们提出SCGBA，一种高性能自适应策略，用于生成和嵌入特征触发器。SCGBA首次利用语义一致性，在不改变原始图结构的情况下实现有效的后门攻击。此外，它在触发器嵌入过程中引入全局结构保持约束，增强其规避高级后门防御机制的能力。在多个真实世界图数据集上的广泛实验表明，SCGBA在触发器激活率方面显著优于现有后门攻击方法，同时保持对各类主流防御策略的强大规避能力。
Keyword:
Graph neural networks (GNNs)
Backdoor attack
Feature trigger
Semantic consistency
Structure preservation
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Backdoor attacks on unsupervised graph representation learning无监督图表示学习的后门攻击.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
Adaptive Backdoor Attacks With Reasonable Constraints on Graph Neural Networks针对图神经网络的带合理约束的自适应后门攻击
PREAI
分享收藏
查看更多内容