English(EN) Target-Aware Interaction-Guided Reinforcement Learning for Black-Box Node Injection Attacks on Graph Neural Networks

新型攻击方法TIRBA增强了GNN对节点注入的脆弱性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员开发了一种名为TIRBA（面向黑盒节点注入攻击的目标感知交互引导强化学习）的新方法，以增强图神经网络（GNNs）的安全性。TIRBA通过在异构动作空间中联合优化恶意节点特征的生成和边连接的构建，解决了现有黑盒节点注入攻击的局限性。该方法利用目标感知交互编码器、用于高效特征空间探索的类别中心引导机制以及拓扑差异感知状态值评估来稳定训练。实验结果表明，TIRBA的性能显著优于当前最先进的黑盒节点注入攻击方法。 AI

影响这项研究突显了GNNs的新漏洞，可能推动GNN安全和防御机制的进一步发展。

排序理由详细介绍GNN新攻击方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

Graph Neural Networks

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yi Lan, Ye Yuan · 2026-07-07 04:00

Target-Aware Interaction-Guided Reinforcement Learning for Black-Box Node Injection Attacks on Graph Neural Networks

arXiv:2607.04091v1 Announce Type: new Abstract: Graph Neural Networks (GNNs) have achieved remarkable performance in graph representation learning, yet their inherent vulnerability to adversarial attacks poses severe security risks. Especially, black-box node injection attacks ha…

报道来源 [1]

Target-Aware Interaction-Guided Reinforcement Learning for Black-Box Node Injection Attacks on Graph Neural Networks

相关实体

相关话题