arXiv cs.AI· Wenda Li, Tongya Zheng, Shunyu Liu, Hanyang Yuan, Kaixuan Chen, Yu Wang, Yuchen Ying, Haoze Jiang, Huan Li, Gang Chen, Zujie Ren·· 11 小时前AI 评分29
S-GAP：面向图大语言模型的隐蔽图攻击原语
S-GAP: Stealthy Graph Attack Primitives for Graph Large Language Models
AI 导读
研究者提出 S-GAP 多智能体框架，通过统一的图攻击原语（GAP）将文本与结构扰动整合到一致的攻击意图下，避免攻击意图碎片化。在四个数据集、三种 GraphLLM 和两种攻击设置上，S-GAP 的平均 ASR 比最强基线提升 7.02%，并生成关系更合理的扰动。
正文 · AI 翻译
作者：Wenda Li、Tongya Zheng、Shunyu Liu、Hanyang Yuan、Kaixuan Chen、Yu Wang、Yuchen Ying、Haoze Jiang、Huan Li、Gang Chen、Zujie Ren
摘要：图大语言模型（GraphLLMs）能够对文本属性图（TAGs）进行强大的语义理解与推理，但在对抗攻击评估下，其语义推理可能对节点文本和图结构的扰动表现出脆弱性。现有攻击通常由不同的实现意图引导，在分离的阶段分别构造文本扰动和结构扰动。然而，这种分离导致攻击意图碎片化，使两类扰动之间出现语义不一致，从而削弱攻击隐蔽性，使其更容易被 GraphLLMs 识别并忽略，最终削弱攻击效果。为避免攻击意图碎片化，我们提出图攻击原语（Graph Attack Primitive，GAP），这是一种在连贯攻击意图下统一文本扰动与结构扰动的原子语义表示。通过仔细校准 GAP 的语义构成，我们可以在保持足够攻击隐蔽性的同时实现较强的攻击效果。此外，我们引入 S-GAP（Stealthy GAP），这是一个多智能体框架，可迭代优化 GAP 的语义内容。该框架统一了 GAP 的规划与实现，并通过代理评估和文本反馈持续优化这一过程。在四个数据集、三个 GraphLLMs 和两种攻击设置上的大量实验表明，S-GAP 相比最强基线平均将 ASR 提升 7.02%，同时生成关系上更合理的扰动，揭示了当前 GraphLLMs 的关键脆弱性，并推动更稳健的防御研究。
| 评论： | 8 页，4 幅图，3 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23465 [cs.AI] |
| （或 arXiv:2610.23465v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23465 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wenda Li [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 13:45:23 UTC（363 KB）
来源：arXiv cs.AI · arxiv.org