可信图神经网络综述：隐私、鲁棒性、公平性与可解释性
机器学习
2024-11-26 v2 密码学与安全
摘要
图神经网络（GNNs）在近年来取得了快速发展。由于其建模图结构数据的强大能力，GNNs 被广泛应用于各种场景中，包括金融分析、交通预测和药物发现等高风险场景。尽管 GNNs 在造福现实世界人类方面具有巨大潜力，近期研究表明 GNNs 会泄露隐私信息、易受对抗攻击、可从训练数据中继承并放大社会偏见且缺乏可解释性，这有可能对用户和社会造成无意的危害。例如，已有工作表明攻击者可通过在训练图上施加难以察觉的扰动来欺骗 GNNs 给出其期望的输出。在社交网络上训练的 GNNs 可能在其决策过程中嵌入歧视，强化不良的社会偏见。因此，多方面的可信 GNNs 应运而生，以防止 GNN 模型带来的危害并增加用户对 GNNs 的信任。本文对 GNNs 在隐私、鲁棒性、公平性与可解释性方面的计算问题进行了全面综述。对于每个方面，我们给出了相关方法的分类体系，并为多类可信 GNNs 构建了通用框架。我们还讨论了各方面的未来研究方向以及这些方面间的联系，以助力实现可信性。
引用
@article{arxiv.2204.08570,
title = {A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability},
author = {Enyan Dai and Tianxiang Zhao and Huaisheng Zhu and Junjie Xu and Zhimeng Guo and Hui Liu and Jiliang Tang and Suhang Wang},
journal= {arXiv preprint arXiv:2204.08570},
year = {2024}
}