Adversarial Robustness of Link Sign Prediction in Signed Graphs

要約

符号付きグラフは、ソーシャル ネットワークにおける肯定的な関係と否定的な関係を表すための基本的なデータ構造として機能し、符号付きグラフ ニューラル ネットワーク (SGNN) が分析の主要なツールとして登場しています。
私たちの調査により、バランス理論は SGNN の署名された関係をモデル化するのに不可欠である一方で、ブラックボックス攻撃に対して悪用可能な脆弱性を誤って導入してしまうことが明らかになりました。
この脆弱性を実証するために、グラフのバランス度を侵害するために特別に設計された新しい敵対的戦略であるバランス攻撃を提案し、関連する NP ハード最適化問題を解決するための効率的なヒューリスティック アルゴリズムを開発します。
既存のアプローチは、バランス学習技術を通じて攻撃されたグラフを復元しようとしますが、復元されたエッジが元の攻撃ターゲットと一致しないという、「バランス関連情報の不可逆性」と呼ばれる重大な課題に直面しています。
この制限に対処するために、バランス拡張署名グラフ対照学習 (BA-SGCL) を導入します。これは、対照学習とバランス拡張技術を組み合わせて、堅牢なグラフ表現を実現する革新的なフレームワークです。
BA-SGCL は、潜在空間で高いバランス度を維持することにより、不可逆性の課題を効果的に回避し、モデルの復元力を強化します。
複数の SGNN アーキテクチャと現実世界のデータセットにわたる広範な実験により、私たちが提案するバランス攻撃の有効性と BA-SGCL の優れた堅牢性の両方が実証され、ソーシャル ネットワークにおける符号付きグラフ分析のセキュリティと信頼性が向上します。
提案されたフレームワークのデータセットとコードは、github リポジトリ https://anonymous.4open.science/r/BA-SGCL-submit-DF41/ にあります。

要約(オリジナル)

Signed graphs serve as fundamental data structures for representing positive and negative relationships in social networks, with signed graph neural networks (SGNNs) emerging as the primary tool for their analysis. Our investigation reveals that balance theory, while essential for modeling signed relationships in SGNNs, inadvertently introduces exploitable vulnerabilities to black-box attacks. To demonstrate this vulnerability, we propose balance-attack, a novel adversarial strategy specifically designed to compromise graph balance degree, and develop an efficient heuristic algorithm to solve the associated NP-hard optimization problem. While existing approaches attempt to restore attacked graphs through balance learning techniques, they face a critical challenge we term ‘Irreversibility of Balance-related Information,’ where restored edges fail to align with original attack targets. To address this limitation, we introduce Balance Augmented-Signed Graph Contrastive Learning (BA-SGCL), an innovative framework that combines contrastive learning with balance augmentation techniques to achieve robust graph representations. By maintaining high balance degree in the latent space, BA-SGCL effectively circumvents the irreversibility challenge and enhances model resilience. Extensive experiments across multiple SGNN architectures and real-world datasets demonstrate both the effectiveness of our proposed balance-attack and the superior robustness of BA-SGCL, advancing the security and reliability of signed graph analysis in social networks. Datasets and codes of the proposed framework are at the github repository https://anonymous.4open.science/r/BA-SGCL-submit-DF41/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google