每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

针对异构图节点分类的 Top K 增强强化学习攻击

Created by
  • Haebom

作者

高洪林、李翔、孙雅娟、肖高熙

大纲

本文探讨了异构图中节点分类任务在对抗攻击下的脆弱性。具体而言，我们提出了一种新的定向规避黑盒攻击方法 HeteroKRLAttack，该方法融合了强化学习和 Top-K 算法。Top-K 算法缩小了强化学习的动作空间，从而提高了其效率。实验结果表明，与现有方法相比，Top-K 算法在多个异构图数据集上显著降低了分类准确率，而消融研究也证实了 Top-K 算法的重要性。这揭示了现有模型的脆弱性，并为未来异构图对抗防御策略的研究指明了方向。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了一种新颖的攻击方法（HeteroKRLAttack），有效地证明了异构图中 GNN 的脆弱性。
◦
通过强化学习和 Top-K 算法的组合发现有效的对抗攻击策略。
◦
为未来基于异构图的 GNN 的防御机制研究提供了重要的 Takeaways。
•
Limitations：
◦
目前提出的攻击方法的泛化性能还有待进一步研究。
◦
需要对各种类型的异构图和对抗性攻击进行可扩展性研究。
◦
需要进行研究来制定针对所提出的攻击方法的有效防御策略。
👍
Made with Slashpage