[논문 리뷰] Unsupervised Euclidean Distance Attack on Network Embedding

Shanqing Yu, Jun Zheng외 7명|arXiv (Cornell University)|2019. 05. 27.

Complex Network Analysis Techniques참고 문헌 43인용 수 6

한 줄 요약

이 논문은 네트워크 구조를 변형하여 노드 임bedding 간 유클리드 거리를 왜곡함으로써 네트워크 임베딩 기반 알고리즘의 성능을 최소화하는 비지도 유형의 유클리드 거리 공격(EDA)을 제안한다. EDA는 강력한 전이성(transferability)을 보이며, 다양한 임베딩 방법과 LPA 및 EM과 같은 비임베딩 기반 알고리즘에서도 커뮤니티 탐지 및 노드 분류 성능을 심각하게 떨어뜨린다.

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.

연구 동기 및 목표

• 라벨 데이터가 필요 없고 노드 속성에 대한 사전 지식이 없는 비지도 공격 전략을 개발하여 네트워크 임베딩을 공격하는 데 목적이 있다.
• 다양한 네트워크 알고리즘의 기초가 되는 유클리드 거리의 왜곡을 공격의 核심 메커니즘으로 삼는다.
• 다양한 네트워크 임베딩 방법(예: DeepWalk, HOPE)과 비임베딩 기반 알고리즘(예: LPA, EM)에 걸쳐 공격의 전이성(transferability)을 평가한다.
• 최소한의 구조적 변형(예: 몇 개의 링크 추가 또는 삭제)으로도 커뮤니티 탐지 및 노드 분류 성능을 심각하게 떨어뜨릴 수 있음을 입증한다.

제안 방법

• 노드 쌍 간의 임베딩 공간 내 유클리드 거리 왜곡을 최대화하는 최적의 네트워크 수정(링크 추가/삭제)을 찾기 위해 유전 알고리즘(GA)을 사용한다.
• 노드 벡터를 생성하기 위해 DeepWalk을 기본 네트워크 임베딩 방법으로 사용하고, 공격 목표를 임베딩 공간 내 유클리드 거리 기반 유사도를 최소화하는 것으로 정의한다.
• 하류 알고리즘 성능 저하(예: 노드 분류의 F1 점수 또는 커뮤니티 탐지의 정규화 상호정보량)를 측정하는 피트니스 함수를 사용해 공격를 최적화 문제로 공식화한다.
• GA를 사용해 반복적으로 네트워크 변형의 집단을 진화시키며, 목표 알고리즘 성능을 가장 효과적으로 저하시키는 변형을 선별한다.
• t-SNE를 사용해 시각화하여 공격 후 네트워크에서 생성된 노드 임베딩이 시간이 지남에 따라 커뮤니티 간 분리가 흐려지는 경향을 보여준다.
• 추가된 링크와 삭제된 링크의 공간 분포를 분석한 결과, 대부분의 추가 링크는 서로 다른 커뮤니티를 연결하지만, 대부분의 삭제 링크는 커뮤니티 내부에서 발생함을 확인하여 구조적 유대감을 전략적으로 교란함을 시사한다.

실험 결과

연구 질문

• RQ1 라벨 데이터나 노드 속성에 대한 사전 지식이 없는 비지도 공격 전략이 네트워크 임베딩 기반 알고리즘의 성능을 효과적으로 떨어뜨릴 수 있는가?
• RQ2 제안된 유클리드 거리 공격(EDA)이 DeepWalk 및 HOPE와 같은 다양한 임베딩 방법에서 커뮤니티 탐지 및 노드 분류 성능을 어느 정도 저하시키는가?
• RQ3 LPA 및 EM과 같은 비임베딩 기반 알고리즘에 적용했을 때 EDA는 강력한 전이성을 보이는가?
• RQ4 EDA에 의해 유도된 구조적 변화(예: 추가/삭제된 링크)는 커뮤니티 구조와 어떻게 관련이 있으며, 이는 공격의 메커니즘을 어떻게 드러내는가?

주요 결과

• EDA는 다양한 실세계 네트워크에서 노드 분류의 F1 점수와 커뮤니티 탐지의 정규화 상호정보량(NMI)을 크게 감소시키며, 대부분의 경우 기존 공격 전략보다 뛰어난 성능을 보였다.
• HOPE 기반 알고리즘에서도 공격가 효과적이며, 이는 기초 임베딩 방법인 DeepWalk를 초월한 강력한 전이성을 보여준다.
• LPA 및 EM(임베딩 기반이 아닌 알고리즘)의 성능까지도 저하됨을 확인하여, EDA의 광범위한 적용 가능성과 보편성을 입증한다.
• t-SNE를 통한 시각화 결과, 적대적 변형이 임베딩 공간에서 커뮤니티 간 분리가 점차 흐려지는 경향을 보여, 구조적 정보의 왜곡을 확인할 수 있었다.
• 공격에서 추가된 링크의 대부분은 서로 다른 커뮤니티를 연결하지만, 대부분의 삭제 링크는 커뮤니티 내부에서 발생함을 확인하여, EDA가 커뮤니티의 유대감을 전략적으로 교란함을 시사한다.
• 카라테 클럽 네트워크에서 링크의 1%에서 7%만 재구성해도 임베딩 공간에서 커뮤니티 구조가 완전히 소실되는 정도의 심각한 성능 저하를 이끌어냈다.