ビットフリップによるグラフニューラルネットワークへの攻撃：ワイスフェイラーとレマンの無関心

以前のグラフニューラルネットワークへの攻撃は、グラフの毒性や回避に焦点を当てており、ネットワークの重みやバイアスを無視していました。しかし、畳み込みニューラルネットワークでは、ビットフリップ攻撃によって生じるリスクが十分に認識されています。私たちは、伝統的なビットフリップ攻撃をグラフニューラルネットワークに直接適用することが効果的ではないことを示します。したがって、私たちはグラフニューラルネットワーク専用に設計された初めてのビットフリップ攻撃であるInjectivity Bit Flip Attackについて議論します。私たちの攻撃は、量子化されたメッセージパッシングニューラルネットワークの学習可能な近隣集約関数を対象としており、グラフ構造を区別する能力を低下させ、ワイスフェイラー-レマンテストの表現力を損ないます。特定のグラフニューラルネットワークに特有の数学的性質を利用することで、ビットフリップ攻撃に対する脆弱性が大幅に増加することがわかりました。Injectivity Bit Flip Attackは、グラフプロパティ予測データセット上で訓練された最大表現力を持つグラフ同型ネットワークを、ネットワークのビットのごく一部を反転させることでランダム出力に低下させることができ、伝統的な畳み込みニューラルネットワークから移行したビットフリップ攻撃に比べてその破壊力の高さを示しています。私たちの攻撃は透明であり、理論的洞察に動機づけられ、広範な実証結果によって確認されています。