新书《图深度学习》重磅出炉！KDD 新星奖大神汤继良力作，（附316页pdf下载）

作为传统DNNs对图的推广，GNN继承了传统DNNs的优点和缺点。与传统的DNNs一样，GNN在许多图形相关的任务中被证明是有效的，比如节点聚类和图聚焦任务。传统的DNNs已被证明易受专门设计的对抗性攻击(Goodfellow et al.， 2014b;徐等，2019b)。在对抗性的攻击下，受害样本会受到干扰，不容易被发现，但会导致错误的结果。越来越明显的是，GNNs也继承了这个缺点。对手可以通过操纵图的结构或节点特征来欺骗GNN模型，从而产生图的对抗性扰动。GNN的这种局限性引起了人们对在诸如金融系统和风险管理等安全关键应用程序中采用它们的极大关注。例如，在一个信用评分系统中，欺诈者可以伪造与几个高信用客户的关系，以逃避欺诈者检测模型;垃圾邮件发送者可以很容易地创建虚假关注者，以增加虚假新闻被推荐和传播的机会。因此，图形对抗性攻击及其对策的研究越来越受到人们的关注。在这一章中，我们首先介绍了图对抗攻击的概念和定义，并详细介绍了一些具有代表性的图对抗攻击方法。然后，我们讨论了针对这些对抗性攻击的典型防御技术。

http://cse.msu.edu/~mayao4/dlg_book/

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“RGNN23” 可以获取《最新《鲁棒图神经网络》概述，23页pdf》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源