Adversarial Attacks on Neural Networks for Graph Data

Metadane

• Autorzy: Daniel Zügner, Amir Akbarnejad, Stephan Günnemann
• Rok: 2018
• Źródło: SIGKDD 2018
• Status: to-read
• Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
• Tagi: to-read reference gnn-attack nettack greedy-approximation

Streszczenie

Propozycja Nettack - greedy approximation attack targeting na pojedyncze węzły w GNN. Definiuje equivalency indicator: całkowita liczba zmienionych krawędzi i node features jest bounded. Rozwija prostą aproksymację modelu GNN na której można analitycznie rozwiązać problem optymalizacji.

Multi-edge direct attack i multi-edge indirect attack pochodzą z tej pracy - liczba adversarial edges ≤ degree(target node).

Kluczowe Wnioski

• Greedy approximation jako alternatywa dla RL-based attacks
• Wprowadzenie bounded perturbation model
• Rozróżnienie direct vs indirect attacks (czy edges łączą się z target node)
• Analityczne rozwiązanie na simplified GNN surrogate model

Notatki

Publikacja dodana automatycznie z bibliografii. Definiuje multi-edge direct i indirect attacks - dwa z czterech typów wykrywanych przez EDoG.

Relevancja dla xu-edog-adversarial-2023:

• Multi-edge direct: EDoG osiąga 0.755 AUC (bez wiedzy o attack), OutlierDetect >0.9 dla high-degree nodes
• Multi-edge indirect: EDoG osiąga 0.829 AUC, GraphGenDetect działa najlepiej