图对抗学习综述
机器学习
2022-04-06 v3 人工智能
机器学习
摘要
图上的深度学习模型在各种图分析任务中取得了显著性能，例如节点分类、链接预测和图聚类。然而，它们针对精心设计的输入（即对抗样本）表现出不确定性和不可靠性。相应地，一系列研究针对不同图分析任务中的攻击与防御应运而生，导致了图对抗学习中的军备竞赛。尽管工作层出不穷，仍然缺乏统一的问题定义和全面的综述。为弥补这一差距，我们系统性地调研并总结了图对抗学习任务的现有工作。具体而言，我们针对图分析任务中的攻击与防御调研并统一了现有工作，同时给出了恰当的定义与分类体系。此外，我们强调了相关评估指标的重要性，并对其进行了全面调研与总结。希望我们的工作能提供全面概览并为相关研究者提供见解。图对抗学习的最新进展已总结于我们的 GitHub 仓库 https://github.com/EdisonLeeeee/Graph-Adversarial-Learning。
引用
@article{arxiv.2003.05730,
title = {A Survey of Adversarial Learning on Graphs},
author = {Liang Chen and Jintang Li and Jiaying Peng and Tao Xie and Zengxu Cao and Kun Xu and Xiangnan He and Zibin Zheng and Bingzhe Wu},
journal= {arXiv preprint arXiv:2003.05730},
year = {2022}
}
备注
Preprint; 16 pages, 2 figures