可信图学习综述：可靠性、可解释性与隐私保护
机器学习
2022-05-24 v2 人工智能
摘要
深度图学习在从金融和电子商务到药物与先进材料发现的商业和科学领域均取得了显著进展。尽管取得这些进展，如何确保各类深度图学习算法以对社会负责的方式运行并满足监管合规要求成为一个新兴问题，尤其在风险敏感领域。可信图学习（TwGL）旨在从技术视角解决上述问题。与主要关注模型性能的传统图学习研究不同，TwGL 考虑图学习框架的各种可靠性与安全性方面，包括但不限于鲁棒性、可解释性和隐私。本综述从可靠性、可解释性和隐私保护三个维度对 TwGL 领域近期领先方法进行了全面回顾。我们对现有工作给出一般分类，并回顾每一类的典型工作。为对 TwGL 研究提供进一步见解，我们提供统一视角审视以往工作并建立它们之间的联系。我们也指出了 TwGL 未来发展中待解决的一些重要开放问题。
引用
@article{arxiv.2205.10014,
title = {A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection},
author = {Bingzhe Wu and Jintang Li and Junchi Yu and Yatao Bian and Hengtong Zhang and CHaochao Chen and Chengbin Hou and Guoji Fu and Liang Chen and Tingyang Xu and Yu Rong and Xiaolin Zheng and Junzhou Huang and Ran He and Baoyuan Wu and GUangyu Sun and Peng Cui and Zibin Zheng and Zhe Liu and Peilin Zhao},
journal= {arXiv preprint arXiv:2205.10014},
year = {2022}
}
备注
Preprint; Work in progress. arXiv admin note: substantial text overlap with arXiv:2202.07114