研究TDGIA: 图神经网络注入攻击

摘要

具体而言

首先

具体而言

随后

实验结果显示

Introduction

近年来，在生物医学领域中图神经网络（GNN）被广泛应用于建模结构化数据与关系型数据等复杂信息处理问题。这种深度学习模型不仅能够实现节点分类任务、社交推荐系统以及药物分子设计等功能，在特定应用场景下还展现出强大的预测能力与决策效能。
值得注意的是，在传统模式下构建图结构往往面临诸多限制条件：一方面需要大量计算资源支持大规模图数据处理；另一方面对于动态变化的数据特征更新也存在严格的技术制约。
基于上述挑战性问题背景研究者们提出了多种改进方案其中最为引人注目的是基于生成对抗网络（GAN）的思想开发出了一种新型对抗攻击方法即通过生成对抗训练机制使得对抗样本能够更加精准地欺骗模型输出从而达到提升鲁棒性的目标效果。

在KDD-CUP2020比赛中设定的图神经网络（GNN）安全分析（GIA）任务中包含两个主要的研究方向：第一类是黑盒攻击场景，在此情况下攻击者无法获取目标模型及其节点的真实标签信息；第二类是防御绕过（Evasion Attack），这种情况下攻击只能发生在推理（in