ترجمه فارسی مقاله حملات یادگیری تقویتی پیشرفته K برتر بر روی طبقه‌بندی گره‌های گراف ناهمگن

چکیده

Graph Neural Networks (GNNs) have attracted substantial interest due to their exceptional performance on graph-based data. However, their robustness, especially on heterogeneous graphs, remains underexplored, particularly against adversarial attacks. This paper proposes HeteroKRLAttack, a targeted evasion black-box attack method for heterogeneous graphs. By integrating reinforcement learning with a Top-K algorithm to reduce the action space, our method efficiently identifies effective attack strategies to disrupt node classification tasks. We validate the effectiveness of HeteroKRLAttack through experiments on multiple heterogeneous graph datasets, showing significant reductions in classification accuracy compared to baseline methods. An ablation study underscores the critical role of the Top-K algorithm in enhancing attack performance. Our findings highlight potential vulnerabilities in current models and provide guidance for future defense strategies against adversarial attacks on heterogeneous graphs.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به دلیل عملکرد استثنایی آنها در داده های مبتنی بر نمودار ، علاقه قابل توجهی را به خود جلب کرده اند.با این حال ، استحکام آنها ، به ویژه در نمودارهای ناهمگن ، به ویژه در برابر حملات مخالف ، همچنان نادیده گرفته می شود.در این مقاله Heterokrlattack ، یک روش حمله هدفمند جعبه سیاه برای نمودارهای ناهمگن پیشنهاد شده است.با ادغام یادگیری تقویت با یک الگوریتم Top-K برای کاهش فضای عمل ، روش ما به طور مؤثر استراتژی های حمله مؤثر را برای مختل کردن وظایف طبقه بندی گره شناسایی می کند.ما اثربخشی هتروکرلالات را از طریق آزمایشات روی مجموعه داده های نمودار ناهمگن چندگانه تأیید می کنیم ، که کاهش قابل توجهی در دقت طبقه بندی در مقایسه با روش های پایه نشان می دهد.یک مطالعه فرسایش نقش اساسی الگوریتم Top-K را در تقویت عملکرد حمله تأکید می کند.یافته های ما آسیب پذیری های احتمالی در مدل های فعلی را برجسته می کند و راهنمایی هایی را برای استراتژی های دفاعی آینده در برابر حملات مخالف به نمودارهای ناهمگن ارائه می دهد.