最新《鲁棒神经网络》概述，14页pdf

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/