可靠深度图学习的最新进展：固有噪声、分布偏移与对抗攻击
机器学习
2023-05-09 v2 密码学与安全
信息检索
摘要
深度图学习（DGL）已在从金融、电子商务到药物与先进材料发现的商业和科学领域取得显著进展。尽管取得进展，将 DGL 应用于实际场景面临一系列可靠性威胁，包括固有噪声、分布偏移与对抗攻击。本综述旨在全面回顾近期在提升 DGL 算法针对上述威胁的可靠性方面的进展。与以往主要关注对抗攻击与防御的相关综述不同，我们的综述涵盖了 DGL 更多与可靠性相关的方面，即固有噪声与分布偏移。此外，我们讨论了上述各方面之间的关系，并强调了未来研究中值得探索的一些重要问题。
引用
@article{arxiv.2202.07114,
title = {Recent Advances in Reliable Deep Graph Learning: Inherent Noise, Distribution Shift, and Adversarial Attack},
author = {Jintang Li and Bingzhe Wu and Chengbin Hou and Guoji Fu and Yatao Bian and Liang Chen and Junzhou Huang and Zibin Zheng},
journal= {arXiv preprint arXiv:2202.07114},
year = {2023}
}
备注
Preprint. 9 pages, 2 figures