[論文レビュー] Unsupervised Euclidean Distance Attack on Network Embedding

Shanqing Yu, Jun Zheng+7 more|arXiv (Cornell University)|May 27, 2019

Complex Network Analysis Techniques参考文献 43被引用数 6

ひとこと要約

本稿では、ネットワーク構造を摂動させることでノード埋め込み間のユークリッド距離を歪めることで、ネットワーク埋め込みベースのアルゴリズムの性能を最小化する、非教師付きのユークリッド距離攻撃（EDA）を提案する。EDAは強力な転送性を示し、DeepWalk や HOPE などの複数の埋め込み手法および LPA や EM といった非埋め込み手法に対してもコミュニティ検出およびノード分類の性能を顕著に低下させる。

ABSTRACT

Considering the wide application of network embedding methods in graph data mining, inspired by the adversarial attack in deep learning, this paper proposes a Genetic Algorithm (GA) based Euclidean Distance Attack strategy (EDA) to attack the network embedding, so as to prevent certain structural information from being discovered. EDA focuses on disturbing the Euclidean distance between a pair of nodes in the embedding space as much as possible through minimal modifications of the network structure. Since a large number of downstream network algorithms, such as community detection and node classification, rely on the Euclidean distance between nodes to evaluate the similarity between them in the embedding space, EDA can be considered as a universal attack on a variety of network algorithms. Different from traditional supervised attack strategies, EDA does not need labeling information, and, in other words, is an unsupervised network embedding attack method.

研究の動機と目的

• ラベル付きデータを必要とせずノード属性の事前知識が不要な、ネットワーク埋め込みを標的とした普遍的で非教師付きの攻撃戦略の開発。
• 多くのネットワークアルゴリズムの基盤をなすユークリッド距離の歪みを攻撃の中心的メカニズムとして焦点化する。
• 異なるネットワーク埋め込み手法（例：DeepWalk、HOPE）および非埋め込みベースのアルゴリズム（例：LPA、EM）における攻撃の転送性の評価。
• わずかな構造的摂動（例：リンクの追加・削除数個）によってコミュニティ検出およびノード分類の性能が顕著に低下することの実証。

提案手法

• ノードペア間の埋め込み空間内におけるユークリッド距離の歪みを最大化する最適なネットワーク変更（リンクの追加・削除）を探索するために遺伝的アルゴリズム（GA）を採用する。
• ノードベクトルの生成に DeepWalk をベースとするネットワーク埋め込み手法を用い、攻撃の目的を埋め込み空間内でのノードペア間の類似度をユークリッド距離に基づいて最小化することに定義する。
• 下流アルゴリズムの性能低下（例：ノード分類のF1スコア、コミュニティ検出の正規化相互情報量）を測るフィットネス関数として最適化問題として定式化する。
• GAを用いて、ターゲットアルゴリズムの性能を最も効果的に低下させるネットワーク摂動の集合を繰り返し進化させる。
• t-SNEを用いて攻撃効果を可視化し、敵対的ネットワークからのノード埋め込みが時間経過とともにコミュニティの分離を失う様子を示す。
• 追加・削除されたリンクの空間的分布を分析した結果、大多数の追加リンクが異なるコミュニティを接続している一方で、大多数の削除リンクはコミュニティ内に存在しており、構造的結束の戦略的破壊を示している。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータやノード属性の事前知識が一切不要な非教師付き攻撃戦略は、ネットワーク埋め込みベースのアルゴリズムの性能を効果的に低下させることができるか？
• RQ2 提案されたユークリッド距離攻撃（EDA）は、DeepWalk や HOPE などの異なる埋め込み手法において、コミュニティ検出およびノード分類の性能をどの程度低下させるか？
• RQ3 LPA や EM といった非埋め込みベースのアルゴリズムに対しても、EDA は強力な転送性を示すか？
• RQ4 EDA が導入する構造的変更（例：追加・削除されたリンク）はコミュニティ構造とどのように相関するか？ これにより攻撃のメカニズムはどのような洞察が得られるか？

主な発見

• EDA は、複数の実世界ネットワークにおいてノード分類のF1スコアおよびコミュニティ検出の正規化相互情報量（NMI）を顕著に低下させ、ほとんどの場合ですべてのベースライン攻撃戦略を上回る性能を示した。
• HOPE を用いたアルゴリズムに対しても攻撃が有効であることが確認され、ベースとなる埋め込み手法（DeepWalk）を超えた強力な転送性を示した。
• LPA や EM ——ネットワーク埋め込みに依存しないアルゴリズムに対しても、EDA は性能を著しく低下させた。これにより、広範な適用可能性と普遍性が確認された。
• t-SNE を用いた可視化により、敵対的摂動が埋め込み空間内でのコミュニティ間の分離を段階的に曇らせる様子が確認され、構造的情報の歪みが裏付けられた。
• 攻撃における追加リンクの大多数は異なるコミュニティ間を接続しており、削除リンクの大多数はコミュニティ内に存在している。これは、EDA がコミュニティの結束を戦略的に破壊していることを示している。
• わずかな構造的変更（例：カーリング・クラブネットワークで1%〜7%のリンク再接続）によっても、埋め込み空間内でのコミュニティ構造が完全に消失するほどの顕著な性能低下が達成された。