图数据上的对抗攻击与防御：综述
密码学与安全
2022-10-07 v4 人工智能
社会与信息网络
摘要
深度神经网络已广泛应用于各种应用，包括图像分类、文本生成、音频识别和图数据分析。然而，最近的研究表明，DNN 容易受到对抗攻击。尽管在图像和自然语言处理等领域已有若干关于对抗攻击与防御策略的研究，但由于图数据的表示结构，将所学知识直接迁移到图数据上仍然困难。鉴于图分析的重要性，过去几年中越来越多的研究试图分析机器学习模型在图数据上的鲁棒性。然而，现有考虑图数据上对抗行为的研究通常集中于具有特定假设的特定类型攻击。此外，每项研究都提出了各自的数学公式，这使得不同方法之间的比较变得困难。因此，本综述旨在提供关于图数据对抗攻击与防御策略的 100 多篇论文的总体概览，并建立一个涵盖大多数图对抗学习模型的统一公式。此外，我们还比较了不同的图攻击与防御方法及其贡献与局限性，并总结了评估指标、数据集和未来趋势。我们希望本综述能帮助填补文献空白，并促进这一充满前景的新领域的进一步发展。
引用
@article{arxiv.1812.10528,
title = {Adversarial Attack and Defense on Graph Data: A Survey},
author = {Lichao Sun and Yingtong Dou and Carl Yang and Ji Wang and Yixin Liu and Philip S. Yu and Lifang He and Bo Li},
journal= {arXiv preprint arXiv:1812.10528},
year = {2022}
}
备注
Published on IEEE TKDE. For more open-source and up-to-date information, please check our Github repository: https://github.com/YingtongDou/graph-adversarial-learning-literature