Adversarial Attack on Community Detection by Hiding Individuals阅读笔记

WWW2020 Adversarial Attack on Community Detection by Hiding Individuals

两个困难，1. 对抗代价 （local proximity global proximity）
2. 选择合适的candidate edges/nodes去修改。（设计了一个全新的图生成模型novel generation model去选择合适的候选人）
贡献：1. 通过隐藏结点，研究了针对在基于图学习的社团发现方法的攻击，这个还没有被研究过。2.提出了一个基于图学习的社团发现方法，利用了normalized cut.他是一个代理模型，另外还可以用来做无监督的非重叠社团发现。3. 定义对抗代价从local proximity和global proximity.4. 设计了一个图生成神经网络，不仅可以对社团发现算法产生对抗，还满足discrete constraint.5. 实验
主要解决三个问题：

1. 代理社团发现算法 2. 不可察觉的图扰动 3. 受限制的图生成
2. 代理社团发现算法有两个问题需要被解决，（1） 衡量社团划分结果的函数，涉及到目标函数 Lu （2）检测社团的算法 最后他用了一个gcn+softmax来做社团划分的算法，Lu是目标函数，构成无监督。
3. 不可察觉的扰动。对抗图去攻击社团发现算法，这个对抗图应该尽量与原始图一致。怎么样保证最小扰动呢？ Local proximity（GCN就用了，这里就是指gcn学出来的那个表征）global proximity 其实这里就是学出一个全局互相影响的矩阵A, 然后softmax(AXWg)学出来的表征表示全局影响。
4. 受限制的图生成。根据VAE那一套。Enconding部分还可以用vae那一套，但是generation部分不可以，因为有budget限制和计算的伸缩性两个问题需要考虑。
   Budget限制部分用了mask mechanism，可以阻值生成不惜要的边。
   计算伸缩性问题，对不同的输入图大小用不同的解决方案，对于大图，删除边，对于小图，删除和加入边。
   3.1 encoding部分省略
   3.2 受限制的生成部分