基于梯度结构的图神经网络对抗攻击

图神经网络在半监督节点分类任务中取得了显著的性能.研究表明,图神经网络容易受到干扰,因此目前已有研究涉及图神经网络的对抗鲁棒性.然而,基于梯度的攻击不能保证最优的扰动.提出了一种基于梯度和结构的对抗性攻击方法,增强了基于梯度的扰动.该方法首先利用训练损失的一阶优化生成候选扰动集,然后对候选集进行相似性评估,根据评估结果排序并选择固定预算的修改以实现攻击.通过在5个数据集上进行半监督节点分类任务来评估所提出的攻击方法.实验结果表明,在仅执行少量扰动的情况下,节点分类精度显著下降,明显优于现有攻击方法.