ChA0s007-优快云博客

原创论文笔记|REVISITING GRAPH ADVERSARIAL ATTACK AND DEFENSE FROM A DATA DISTRIBUTION PERSPECTIVE

最近的研究表明，结构扰动在降低图神经网络（GNN）在半监督节点分类（SSNC）任务中的准确性方面具有显著效果。然而，基于梯度的方法为何具有破坏性尚未深入探讨。在本研究中，我们发现了一个有趣的现象：对抗边在图中并不是均匀分布的，大多数扰动是在中毒攻击中围绕训练节点生成的。结合这一现象，我们从数据分布的角度解释了基于梯度的攻击方法的有效性，并重新审视了SSNC中的中毒攻击和规避攻击。从这一新视角出发，我们在经验和理论上讨论了一些其他攻击趋势。

2024-08-21 23:34:49 1093 1

原创论文笔记| Task and Model Agnostic Adversarial Attack on Graph Neural Networks

一个图可能被用于一个实际攻击者未知的多个下游任务。因此，有必要在模型和任务无关的情况下测试GNNs对对抗扰动的脆弱性。在这项工作中，我们研究了这个问题，并表明即使在未知下游任务和模型的情况下，GNNs仍然脆弱。我们提出的算法TANDIS（通过邻域扭曲进行的有针对性攻击）表明，节点邻域的扭曲能够有效地极大地削弱预测性能。虽然邻域扭曲是一个NP难问题，TANDIS通过图同构网络与深度Q学习的创新组合设计了一种有效的启发式方法。

2024-05-29 16:24:29 657 1

原创论文笔记| Adversarial Attack on Graph Structured Data

本文关注通过修改数据的组合结构来欺骗深度学习模型的对抗性攻击。本文首先提出了一种基于强化学习的攻击方法，该方法学习可推广的攻击策略，同时只需要目标分类器的预测标签。在可以获得额外的预测置信度或梯度的情况下，本文进一步提出了基于遗传算法和梯度下降的攻击方法。

2024-05-28 21:17:32 1241 1

原创论文笔记|EDoG: Adversarial Edge Detection For GraphNeural Networks

本文提出了一个通用的敌对边缘检测管道EDoG，无需基于图生成的攻击策略知识。具体来说，我们提出了一种结合了链路预测的新颖图生成方法来检测可疑的敌对边缘。为了有效地训练图生成模型，我们从给定的图数据中采样了几个子图。我们证明，由于实践中敌对边缘的数量通常很少，根据并集界，采样的子图将以低概率包含敌对边缘。此外，考虑到强攻击会扰乱大量边缘，我们提出了一组新颖的特征，用于作为我们检测的预处理进行异常值检测。

2024-05-24 11:40:22 1425

原创论文笔记 | Self-attention Enhanced Auto-encoder for LinkWeight Prediction with Graph Compression

预测各种实际网络中不可观察或缺失的连接权重，在社会学、生物学和物理学等不同学科中具有基本的科学意义，因为科学家们已经发现，代表强或弱联系的连接权重有助于我们理解连接形成、社群增长和网络演化的机制。然而，先前的研究主要依赖浅层图形特征来完成连接权重预测的任务，因此提出的模型具有相对较差的预测性能。通过学习深层图形特征来提高预测能力，提出了一种名为SEA（Self-attention Enhanced graph Auto-encoder）的自注意增强图自编码器。

2023-08-05 00:48:05 273 1

原创论文笔记 | Link-Information Augmented Twin Autoencoders for Network Denoising

从观测到的网络中删除噪声链接是对预处理现实世界网络数据常见的任务。然而，由于观测到的网络包含噪声和干净的链接，它不能被视为可靠的监督学习信息源。因此，在数据污染的情况下检测噪声链接是必要的，但也具有技术上的挑战。为解决这个问题，本文提出了一个两阶段的计算模型，名为链接信息增强双自编码器，它能够处理以下问题：1）链接信息增强；2）链接级对比去噪；3）链接信息校正。

2023-07-05 03:39:31 151

原创论文笔记 | RGSE: Robust Graph Structure Embedding for Anomalous Link Detection

异常链接（如噪声链接或对抗性边缘）在现实世界的网络中广泛存在，可能会损害网络研究的可信度，例如在社交网络中进行社区检测。因此，需要通过检测器从受污染的网络中删除异常链接。由于正常链接和异常链接共存，如何在受污染的网络中识别异常链接是一个具有挑战性的问题。通过设计一个鲁棒的图结构嵌入框架，也称为RGSE，可以使用从全局嵌入视图和局部稳定视图生成的链接级特征表示来进行污染图上的异常链接检测。

2023-07-05 01:41:54 335

原创论文笔记 | ICDE 2022 | Robust Attributed Network Embedding Preserving Community Information

本文提出了一种新的鲁棒的属性网络嵌入框架，即保留社区信息（AnECI）网络嵌入，本文不再使用基于成对连接的微观结构，而是尝试通过从数据本身学习的底层社区结构来指导节点嵌入，作为一种无监督学习，从而具备更强的抗干扰能力。具体而言，本文提出了一种新的模块度函数，用于高阶接近度和重叠社区，以指导具有属性的图编码器的网络嵌入。我们在真实基准数据集上进行了大量实验证明，AnECI在节点分类、异常检测和社区检测任务上优于最先进的属性网络嵌入方法。

2023-07-04 23:57:38 383 1

ChA0s007的博客