日前，实验室在人工智能安全领域《Cybersecurity》（中科院三区）发表了题为“A Novel Data-level Prompt Injection Attack Against Graph Prompt Learning”的研究文章，提出了一种面向图提示学习的数据级提示注入攻击方法，通过构造与目标语义一致的提示条件子图，并结合结构优化、低度数锚点选择与目标标签一致性约束，在不修改预训练编码器和提示学习算法的情况下诱导模型产生攻击者指定的目标预测。实验结果表明，该方法在多种数据集、提示学习框架及编码器架构下均具有较高的攻击成功率和较低的正常性能损失，为揭示图提示学习模型的安全脆弱性及构建相应防御机制提供了参考。
