摘要
超图神经网络（HGNNs）在模拟高阶相关性方面表现出卓越的能力；然而，由于现有安全研究的范围有限，它们对对抗性攻击的脆弱性尚未得到充分解决。目前主要的白盒结构攻击方法HyperAttack仅依赖于梯度信息，忽略了节点和超边之间的语义关联。这种忽视限制了攻击效果，因为在某些条件下（例如饱和区域或局部最优解），梯度信号可能具有噪声或模糊性，而语义相似性提供了补充线索，有助于识别那些其扰动能更可靠地改变目标节点表示的超边。为了克服这一限制，本文提出了一种针对超图神经网络的语义增强型对抗性攻击框架，称为SE-HyperAttack。具体来说，首先对超边特征进行聚合，然后根据目标节点与其关联超边之间的特征相似性计算语义相似性得分，以捕捉潜在的语义相关性。这些语义相似性得分随后通过加权求和方案与梯度得分结合，提高了超边选择的精确度。在两个数据集上的广泛实验表明，所提出的SE-HyperAttack的平均攻击成功率（ASR）达到了79.4%，比HyperAttack提高了2.6%。消融研究进一步证实，当语义权重为30%时性能最佳，超过该权重后性能会下降。值得注意的是，所提出的方法保持了与HyperAttack相当的计算效率，几乎没有额外的开销。这些发现证实，语义信息的整合有效地提高了超图神经网络的对抗性攻击效果，同时没有牺牲效率。
