본 논문은 이종 관계형 데이터를 모델링하는 데 사용되는 이종 그래프 신경망(HGNNs)의 백도어 공격 취약성을 다룹니다. 기존 연구가 주로 HGNNs의 예측 성능 향상에 초점을 맞춘 반면, 본 논문은 백도어 공격 하에서의 강건성과 보안성에 대한 연구를 진행합니다. 특히, 노드 분류 작업에 대한 새로운 이종 백도어 공격(HeteroBA) 프레임워크를 제안합니다. HeteroBA는 현실적인 특징과 목표 구조적 연결을 가진 트리거 노드를 신중하게 삽입하고, 주의 기반 및 클러스터링 기반 전략을 활용하여 영향력 있는 보조 노드를 선택하여 트리거 전파를 효과적으로 수행함으로써, 깨끗한 데이터에 대한 정확도를 유지하면서 특정 노드를 목표 레이블로 잘못 분류하도록 만듭니다. 세 가지 데이터셋과 다양한 HGNN 아키텍처에 대한 실험 결과는 HeteroBA가 깨끗한 정확도에 미치는 영향을 최소화하면서 높은 공격 성공률을 달성함을 보여줍니다. 이 방법은 HGNN의 잠재적인 취약성을 보여주고 다중 관계 그래프 시나리오에서 백도어 위협에 대한 더욱 강력한 방어의 필요성을 제기합니다.
