[论文解读] HyperAttack: Multi-Gradient-Guided White-box Adversarial Structure Attack of Hypergraph Neural Networks

Chao Hu, Ruishi Yu+6 more|arXiv (Cornell University)|Feb 24, 2023

Adversarial Robustness in Machine Learning被引用 4

一句话总结

HyperAttack 是首个针对超图神经网络（HGNNs）的白盒结构化对抗攻击框架，通过多梯度引导（标准梯度与积分梯度）高效地扰动超边连接，误导节点分类。在 Cora 和 PubMed 数据集上，其攻击速度比当前最先进 GNN 攻击方法快 10–13 倍，成功率高出 1.3–3.7%。

ABSTRACT

Hypergraph neural networks (HGNN) have shown superior performance in various deep learning tasks, leveraging the high-order representation ability to formulate complex correlations among data by connecting two or more nodes through hyperedge modeling. Despite the well-studied adversarial attacks on Graph Neural Networks (GNN), there is few study on adversarial attacks against HGNN, which leads to a threat to the safety of HGNN applications. In this paper, we introduce HyperAttack, the first white-box adversarial attack framework against hypergraph neural networks. HyperAttack conducts a white-box structure attack by perturbing hyperedge link status towards the target node with the guidance of both gradients and integrated gradients. We evaluate HyperAttack on the widely-used Cora and PubMed datasets and three hypergraph neural networks with typical hypergraph modeling techniques. Compared to state-of-the-art white-box structural attack methods for GNN, HyperAttack achieves a 10-20X improvement in time efficiency while also increasing attack success rates by 1.3%-3.7%. The results show that HyperAttack can achieve efficient adversarial attacks that balance effectiveness and time costs.

研究动机与目标

• 为解决尽管超图神经网络（HGNNs）应用日益广泛且性能优越，但其对抗攻击研究仍严重不足的问题。
• 识别将基于图的对抗攻击方法适配至超图时面临的关键挑战，包括超边复杂性与高阶关系的影响。
• 设计一种高效、有效的白盒结构化攻击框架，平衡 HGNN 的攻击成功率与计算成本。
• 利用真实世界数据集，评估多种 HGNN 模型在结构扰动下的鲁棒性。

提出的方法

• HyperAttack 通过修改超图的关联矩阵执行白盒结构化攻击，具体操作为增删与目标节点相连的超边。
• 采用基于梯度的评分机制识别最具影响力的超边用于扰动，优先选择对模型损失影响最大的超边。
• 结合使用标准梯度与积分梯度，以提升扰动精度并缓解高阶超图结构中的梯度消失问题。
• 采用贪心的迭代扰动策略，基于组合梯度信号选择并修改超边，以最大化攻击效果。
• 在 Cora 和 PubMed 数据集上，对三种不同 HGNN 架构（如 HyperGCN、HGNN+、DHGNN）进行评估，以确保方法的泛化能力。

实验结果

研究问题

• RQ1 现有的 GNN 白盒结构化攻击方法能否有效适配至超图神经网络？
• RQ2 与图相比，对超图执行对抗攻击时面临的关键结构与计算挑战是什么？
• RQ3 如何通过引入积分梯度来增强基于梯度的方法，以提升超图设置下的攻击效率与成功率？
• RQ4 在针对 HGNN 的攻击中，攻击成功率与时间效率之间的权衡关系如何？

主要发现

• 与最先进的 GNN 攻击方法（如 Fast Gradient Attack 和 Integrated Gradient Attack）相比，HyperAttack 在时间效率上提升了 10–13 倍。
• 在 Cora 和 PubMed 数据集上，HyperAttack 的攻击成功率比基线 GNN 攻击方法高出 1.3% 至 3.7%。
• 同时使用标准梯度与积分梯度显著提升了扰动精度，并减少了所需的攻击迭代次数。
• HyperAttack 在三种不同 HGNN 模型上均表现出一致的性能，表明其对多种超图学习架构具有广泛适用性。
• 单个节点攻击的平均耗时降低至 4 秒以下，相比标准积分梯度方法的 40 秒，使全图攻击成为可行。