原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
总第420期计算机与数字工程Vol.52No.10
ComputerDigitalEngineering
2024年第10期计算机与数字工程3003
2024年第10期
针对图神经网络的单节点扰动攻击∗
李鹏辉翟正利冯舒
（青岛理工大学信息与控制工程学院青岛266525）
摘要图神经网络（GraphNeuralNetworks，GNN）已经在各种图相关应用中显示出优异的性能。最近的研究表明，
GNN模型容易受到精心构造的对抗性扰动攻击，导致模型性能下降。但先前的工作大多集中于修改图结构，这会改变图中
重要的拓扑特征。对图数据上的间接对抗攻击进行了研究，提出了一种基于强化学习的单节点对抗攻击（SingleNodeAd⁃
versarialAttack，SNAA）来修改图中的节点特征。攻击设定在黑盒场景下，仅可以对测试数据进行有限次数的黑盒查询，并
通过严格限制攻击预算以保证攻击不可察觉。通过在多个数据集上的实验表明，这种攻击对各种GNN模型都是有效的。
关键词图神经网络；图对抗攻击；强化学习；对抗样本
中图分类号TP181DOI：10.3969/j.issn.1672-9722.2024.10.026
SingleNodeAdversarialAttackAgainstGraphNeuralNetwork
LIPenghuiZHAIZhengliFENGShu
（SchoolofInformationandControlEngineering，QingdaoUniversityofTechnology，Qingdao266525）
AbstractGraphneuralnetworks（GNNs）haveshownexcellentperformanceinavarietyofgraph-relatedapplications.Re⁃
centstudiesshowthatGNNmodelsarevulnerabletocarefullyconstructadversarialperturbations，resultingindegradedmodelper⁃
formance.Mostofthepreviousresearchongraphadversarialattacksfocusonmodifyingthegraphstructure，whichwillchangethe
importanttopologypropertiesofthegraph.Indirectadversarialattacksongraphdataarestudied，andasinglenodeadversarialat⁃
tack（SNAA）basedonreinforcementlearningtomodifythenodefeaturesingraphsisproposed.Theattackissetinablack-box
scenario，whereonlyalimitednumberofblack-boxqueriescanbeperformedonthetestdata，andtheattackbudgetisstrictlylimit⁃
edtoensurethattheattackisimperceptible.ExperimentsonmultipledatasetsshowthatSNAAiseffectiveagainstvariousGNN
models.
KeyWordsgraphneuralnetwork，graphadversarialattack，reinforcementlearning，adversarialexample
ClassNumberTP181
计算机视觉领域中，甚至可以通过扰动单个像素使
文档评论（0）