SOPA: Sensitivity-Oriented Poisoning Attack for Self-Supervised Graph Embedding Model via Bilevel Evolutionary Optimization

doi:10.1109/TEVC.2025.3586128

SOPA: Sensitivity-Oriented Poisoning Attack for Self-Supervised Graph Embedding Model via Bilevel Evolutionary Optimization

2025-07-04

0

PRE

AI

DOI：10.1109/TEVC.2025.3586128

原文链接

原文求助

摘要

En 中文

尽管图神经网络（GNNs）广受欢迎，但受扰动的图数据仍对其固有脆弱性构成严重威胁。对抗样本能够轻易操纵GNNs在各类攻击场景下的输出。同时，研究图网络的攻击至关重要，因为它有助于模型设计者增强其模型的鲁棒性。本研究中，我们通过双层优化提出了一种面向敏感性的污染攻击方法，该方法针对自监督图嵌入模型，并在各层采用不同的优化方法。为进一步提升攻击效果，我们分析图结构以识别敏感节点和边，以指导攻击方向，结合基于梯度和基于查询的方法，针对边连接和节点属性进行攻击。此外，针对现有图掩码自编码器模型的缺陷，我们设计了特征敏感度和特征方差以降低特征可区分性，从而损害下游模型的性能。消融研究验证了我们的算子在三组引文数据集上的有效性，而基于基准的实验支持了我们的方法在三种不同图任务上的有效性。具体而言，与仅攻击图结构的方法相比，我们的方法在节点分类准确率上平均降低了3%。当同时攻击图结构和属性时，我们的模型在节点分类任务上平均降低了4.5%，优于现有方法。

Keyword:

Bilevel optimization

genetic algorithm (GA)

graph embedding model (GEM)

poisoning attack

SOPA: Sensitivity-Oriented Poisoning Attack for Self-Supervised Graph Embedding Model via Bilevel Evolutionary Optimization

摘要

期刊

机构