Adversarial Attacks on Graph Neural Networks via Meta Learning
Metadane
- Autorzy: Daniel Zügner, Stephan Günnemann
- Rok: 2019
- Źródło: ICLR 2019
- Status: to-read
- Pochodzenie: Wyekstrahowane z xu-edog-adversarial-2023
- Tagi: to-read reference meta-attack global-attack meta-learning
Streszczenie
Meta attack - globalne ataki na GNN które nie targetują pojedynczego węzła, ale całego grafu. Cel: zmaksymalizować błędy klasyfikacji na całym zbiorze węzłów V_atk. Pozwala na dodanie do 5% liczby krawędzi. Aproksymuje gradient adjacency matrix aby umożliwić gradient-based optimization.
Różni się od Nettack tym że nie jest local attack - nie ma single target node, tylko zbiór węzłów do zaatakowania.
Kluczowe Wnioski
- Global attack vs local (single-node) attacks
- Meta-learning approach do adversarial attacks
- Gradient approximation dla discrete adjacency matrix
- 5% perturbation budget - najwięcej spośród rozważanych ataków
- Może zawierać mix różnych typów malicious edges
Notatki
Publikacja dodana automatycznie z bibliografii. Definiuje meta attack - czwarty typ ataku wykrywany przez EDoG.
Relevancja dla xu-edog-adversarial-2023:
- Najtrudniejszy attack do wykrycia - EDoG osiąga 0.728 AUC (średnio)
- Mix różnych typów edges wymaga ensemble approach (pełny EDoG pipeline)
- Implementation dostępna: https://github.com/danielzuegner/gnn-meta-attack