功守道: 攻中有防,防中寓攻,攻不离防,防不离攻
在斯坦福CS224W的课程中,我们了解到GNN的两大局限.容易受到攻击,对噪音不够鲁邦是GNN的重大缺陷之一.
图神经网络及其图表示学习的对抗攻击已经成为图机器学习领域炽手可热的方向之一. 数据挖掘顶级会议KDD2018的最佳论文就是一篇研究图上的对抗攻击的文章，该论文针对图节点分类任务进行对抗攻击。
KDD2018 Best Paper: Adversarial Attacks on Neural Networks for Graph Data
http://cn.arxiv.org/pdf/1805.07984
从该篇文章开始,短短一两年的时间里,图对抗攻击和防御的论文就席卷了各大顶会,如ICLR, NIPS, KDD, AAAI等.
本文由UIC的Philip S. Yu老师带领的数据挖掘小组撰写的综述,主要介绍了图上对抗攻击和防御相关论文.
论文地址: https://arxiv.org/abs/1812.10528
作者也将相关论文整理到GitHub,供大家参考.
https://github.com/YingtongDou/graph-adversarial-learning-literature
图上的攻击
图上的防御
更多关于图神经网络/图表示学习/推荐系统, 欢迎关注我的公众号 【图与推荐】
