增强Top K的异构图节点分类攻击的强化学习

于红博

摘要: 图神经网络（GNNs）由于其在基于图的数据上的出色表现而引起了广泛关注。然而，它们在异构图上的鲁棒性，特别是对抗攻击方面，仍未得到充分探索。本文提出了HeteroKRLAttack，一种针对异构图的有针对性规避黑盒攻击方法。通过将强化学习与Top-K算法结合，以减少行动空间，我们的方法有效地识别出破坏节点分类任务的有效攻击策略。我们通过在多个异构图数据集上的实验验证了HeteroKRLAttack的有效性，显示与基准方法相比分类准确度显著降低。消融研究强调了Top-K算法在提高攻击性能方面的关键作用。我们的研究结果突显了当前模型中潜在的漏洞，并为未来在异构图上的对抗攻击防御策略提供了指导。

更新时间: 2025-09-18 08:51:53

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2408.01964v2