[论文解读] 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 6

一句话总结

本文提出一种无监督的欧氏距离攻击（EDA），利用遗传算法通过扰动网络结构来最小化网络嵌入算法的性能，从而扭曲节点嵌入之间的欧氏距离。EDA展现出强大的迁移性，显著降低了多种嵌入方法以及非嵌入算法（如LPA和EM）在社区检测和节点分类任务上的性能。

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.

研究动机与目标

• 开发一种通用的、无监督的网络嵌入攻击策略，无需依赖标签数据即可干扰下游网络算法。
• 聚焦于扭曲节点嵌入之间的欧氏距离作为攻击的核心机制，因为该度量是许多网络算法的基础。
• 评估该攻击在不同网络嵌入方法（如DeepWalk、HOPE）和非嵌入算法（如LPA、EM）之间的迁移能力。
• 证明仅通过添加或删除少量边等极小的结构扰动，即可显著降低社区检测和节点分类的性能。

提出的方法

• 使用遗传算法（GA）搜索最优的网络修改方式（边的增删），以最大化嵌入空间中节点对之间欧氏距离的扭曲程度。
• 以DeepWalk作为基础网络嵌入方法生成节点向量，并将攻击目标定义为最小化基于嵌入空间中欧氏距离的节点对相似度。
• 将攻击形式化为一个优化问题，其中适应度函数衡量下游算法性能的退化程度（例如，节点分类中的F1分数或社区检测中的标准化互信息）。
• 应用GA迭代演化网络扰动群体，选择最能降低目标算法性能的扰动方案。
• 使用t-SNE可视化攻击效果，展示对抗性网络中节点嵌入随时间逐渐丧失社区分离特性。
• 分析新增和删除边的空间分布，发现大多数新增边连接不同社区，而大多数被删除的边位于社区内部，表明攻击策略性地破坏了结构凝聚力。

实验结果

研究问题

• RQ1 无监督攻击策略是否能在不依赖标签数据或节点属性先验知识的情况下，有效降低基于网络嵌入算法的性能？
• RQ2 所提出的欧氏距离攻击（EDA）在不同嵌入方法（如DeepWalk和HOPE）上对社区检测和节点分类性能的退化程度如何？
• RQ3 当应用于非嵌入算法（如标签传播算法LPA和矩阵特征向量EM）时，EDA是否展现出强迁移能力？
• RQ4 EDA引入的结构变化（如新增/删除边）与社区结构之间存在何种关联？这揭示了攻击机制的哪些特征？

主要发现

• EDA在多个真实网络中显著降低了节点分类的F1分数和社区检测的标准化互信息（NMI），在大多数情况下优于所有基线攻击策略。
• 该攻击在基于HOPE的算法上依然有效，证明其迁移能力不仅限于基础嵌入方法（DeepWalk）。
• EDA同样降低了LPA和EM等非嵌入算法的性能，证实了其广泛适用性和通用性。
• 通过t-SNE的可视化显示，对抗性扰动逐步模糊了嵌入空间中社区之间的分离，证实了结构信息的扭曲。
• 攻击中新增边的大部分位于不同社区之间，而被删除边的大部分位于社区内部，表明EDA战略性地破坏了社区凝聚力。
• 仅通过在空手道俱乐部网络中重连1%至7%的边，即可导致嵌入空间中社区结构的完全丧失，展现出极高的攻击效率。