论文学习图神经网络对抗攻击顶会论文汇总 (2018–2021)

图对抗攻击研究

在信贷行业，通过分析借款人的资金往来记录来判断其信用状况，人与人之间的交易信息通常以图的形式进行表达。
就图结构而言，其特征多为离散性质（例如图的拓扑结构特征，边的存在与否具有二元性）。
针对图结构而言，界定其上的细微扰动较为困难。
在图像对抗攻击的研究范畴中，常见的方式是向已训练完成的模型输入带有扰动的图像以诱导其产生错误预测，即所谓的规避攻击；而在图对抗攻击领域，则是通过引入扰动后的图数据对模型进行重新训练，从而降低模型性能，此类攻击方式被定义为投毒攻击。

图卷积网络

半监督结点分类问题的解决过程中，图卷积网络被应用作为关键技术手段。

经典的论文

（1）图神经网络对抗攻击研究

KDD18的最佳论文被认为是图对抗攻击领域的奠基性工作。该研究聚焦于属性图中针对特定节点的分类攻击方法，通过调整图的结构（如增加或删除边）以及修改节点属性（如添加或移除属性），从而导致节点分类结果出现偏差。
在定义扰动代价时，首先考虑的是图的度分布。若原始图与扰动后的图均来自相同的分布采样，则这两张图在结构层面将难以区分。为此，采用对数似然函数进行衡量。其次，关于节点属性的扰动代价，需关注特征之间的共现关系：若某些特征在原始图中从未同时出现，但在扰动后的图中却出现了，则应视为扰动的一部分。此外，对于那些与其他大量特征频繁共