HeteroHBA：异构图上的后门攻击

本文探讨了异构图神经网络（HGNNs）对后门攻击的脆弱性。它提出了一个新颖的生成框架HeteroHBA，用于将后门注入到HGNNs中，重点关注隐蔽性和有效性。这项研究意义重大，因为它突出了后门攻击在异构图学习中的实际风险，而异构图学习在现实世界中的应用越来越多。所提出的方法在现有防御措施上的表现突显了在该领域加强安全措施的必要性。

• •提出了 HeteroHBA，一个用于异构图的生成式后门框架。
• •通过使用 AdaIN 和 MMD 损失将触发特征分布与良性统计数据对齐，从而侧重于隐蔽性。
• •在保持干净精度的同时，实现了比基线更高的攻击成功率。
• •突出了 HGNN 的脆弱性以及对更强防御的需求。