)
文章主要內(nèi)容總結(jié)本文聚焦于圖感知大語言模型（graph-aware Large Language Models, LLMs）的對抗性攻擊與防御，是首個系統(tǒng)研究該領(lǐng)域脆弱性的工作。主要內(nèi)容包括：研究背景：隨著圖感知LLMs（如LLAGA、GRAPHPROMPTER）在節(jié)點分類等任務中逐漸替代圖神經(jīng)網(wǎng)絡（GNNs），其對抗性攻擊的脆弱性尚未被探索。攻擊分析：評估了現(xiàn)有GNN對抗性攻擊方法（NETTACK、METAATTACK）在圖感知LLMs上的遷移性，包括訓練時的投毒攻擊（poisoning attacks）和測試時的規(guī)避攻擊（evasion attacks）。發(fā)現(xiàn)LLAGA因節(jié)點序列模板設(shè)計更易受攻擊，而GRAPHPROMPTER的GNN編碼器更穩(wěn)健，但兩者均易受不可察覺的特征擾動攻擊。提出LLAGA的新攻擊面：通過注入惡意節(jié)點作為占位符，可嚴重降低其性能。防御框架：提出端到端防御框架GALGUARD，結(jié)合LLM-based特征校正模塊（緩解特征擾動）和適配的GNN防御（抵御結(jié)構(gòu)攻擊）。文章創(chuàng)新點首次系統(tǒng)探究圖感知LLMs的對抗性攻擊脆弱性，驗證了GNN攻擊方法對該類模型的有效性。提出圖感知LLMs的分類法，基于圖編碼方式分為“文本描述型”和“學習投影器型”。發(fā)現(xiàn)LLAGA的節(jié)點序列模板注入 Adversarial Attacks and Defenses on Graph-aware Large Language Models (LLMs)
文章主要內(nèi)容總結(jié)本文聚焦于圖感知大語言模型（graph-aware Large Language Models, LLMs）的對抗性攻擊與防御，是首個系統(tǒng)研究該領(lǐng)域脆弱性的工作。主要內(nèi)容包括：研究背景：隨著圖感知LLMs（如LLAGA、GRAPHPROMPTER）在節(jié)點分類等任務中逐漸替代圖神經(jīng)網(wǎng)絡（GNNs），其對抗性攻擊的脆弱性尚未被探索。攻擊分析：評估了現(xiàn)有GNN對抗性攻擊方法（NETTACK、METAATTACK）在圖感知LLMs上的遷移性，包括訓練時的投毒攻擊（poisoning attacks）和測試時的規(guī)避攻擊（evasion attacks）。發(fā)現(xiàn)LLAGA因節(jié)點序列模板設(shè)計更易受攻擊，而GRAPHPROMPTER的GNN編碼器更穩(wěn)健，但兩者均易受不可察覺的特征擾動攻擊。提出LLAGA的新攻擊面：通過注入惡意節(jié)點作為占位符，可嚴重降低其性能。防御框架：提出端到端防御框架GALGUARD，結(jié)合LLM-based特征校正模塊（緩解特征擾動）和適配的GNN防御（抵御結(jié)構(gòu)攻擊）。文章創(chuàng)新點首次系統(tǒng)探究圖感知LLMs的對抗性攻擊脆弱性，驗證了GNN攻擊方法對該類模型的有效性。提出圖感知LLMs的分類法，基于圖編碼方式分為“文本描述型”和“學習投影器型”。發(fā)現(xiàn)LLAGA的節(jié)點序列模板注入