图神经网络对抗攻击的综述

摘要

最近的研究发现，图神经网络（GNN）容易受到对抗攻击。通过对原始图做修改，可以使得GNN最后得到错误的预测结果。GNN的这种脆弱性使得很多对于安全性要求很高的应用场景都开始产生担忧，很多人也开始在这个方面做研究。所以很有必要对已有的图对抗攻击做一个overview，并且采取一定的对抗手段。在本文中，作者对已有的攻击和防御做了分类，并且总结了相关的state-of-art方法。

Introduction

图在很多的领域都有应用，比如社会科学（社交网络），自然科学（物理系统和蛋白质网络）和知识图谱。随着图神经网络的兴起，需要对于相关的下游任务做研究，这些下游任务包括节点分类，图分类，链路预测和推荐。GNN是将深度学习应用于图领域，来学习图表示。GNN的魅力在于它可以同时学习图结构和结点特征，而不是单单的学习结点的表示。具体来说，GNN是使用了一种消息传递方案，那就是每一层的结点都会聚合该结点周围邻居的信息。GNN通过使用多层，可以使得信息在整个的图结构上进行传播，并且可以将结点嵌入表达成低维表示。结点的表示之后可以被输入到任何的预测层从而使得整个模型是一个end-to-end形式的。由于GNN具有极强的学习能力，所以它在数据挖掘，自然语言处理，计算机视觉，健康防护以及生物学上都有应用。
跟传统的DNN类似的是，GNN也可以很好的学习图的表示。传统的DNN就很容易受到对抗攻击。换句话说，对抗攻击可以在训练或者是测试阶段加入微小的扰动，然后DNN模型就会发生预测的失误。很明显的是，GNN也有这种脆弱性。而这种脆弱性会给一些金融系统或者是风险管理系统