图上的对抗与攻击精选论文列表(​2021相关论文一览)

最新推荐文章于 2024-04-24 09:35:15 发布
最新推荐文章于 2024-04-24 09:35:15 发布
阅读量817 收藏 2
点赞数 2
文章标签： 神经网络 网络 深度学习 计算机视觉 机器学习
原文链接：https://github.com/safe-graph/graph-adversarial-learning-literature
版权 

来源：深度学习与图网络

本文约1400字，建议阅读5分钟本文为你分享图上的对抗与攻击精选论文。

2021相关论文一览

  1. 大规模攻击图神经网络

  2. 图神经网络的黑盒梯度攻击：

    更深入洞察图的攻击和防御

  3. 增强多路复用网络对节点社区级联故障的鲁棒性和弹性

  4. PATHATTACK：

    攻击复杂网络中的最短路径

  5. Deformable shape的通用谱对抗攻击

  6. Preserve, Promote, or Attack?通过拓扑扰动的 GNN 解释

  7. 网络嵌入攻击：

    一种基于欧几里德距离的方法

  8. 通过监督网络Poisoning对网络嵌入的对抗性攻击

  9. DeHiB：

    通过对抗性扰动对半监督学习的深层隐藏后门攻击

  10. GraphAttacker：

    一个通用的多任务图攻击框架

  11. 图神经网络的成员推理攻击

  1. Attacking Graph Neural Networks at Scale

  2. Black-box Gradient Attack on Graph Neural Networks: Deeper Insights in Graph-based Attack and Defense

  3. Enhancing Robustness and Resilience of Multiplex Networks Against Node-Community Cascading Failures

  4. PATHATTACK: Attacking Shortest Paths in Complex Networks

  5. Universal Spectral Adversarial Attacks for Deformable Shapes

  6. Preserve, Promote, or Attack? GNN Explanation via Topology Perturbation

  7. Network Embedding Attack: An Euclidean Distance Based Method

  8. Adversarial Attack on Network Embeddings via Supervised Network Poisoning

  9. DeHiB: Deep Hidden Backdoor Attack on Semi-Supervised Learning via Adversarial Perturbation

  10. GraphAttacker: A General Multi-Task Graph Attack Framework

  11. Membership Inference Attack on Graph Neural Networks

2020年相关研究论文

  1. 图神经网络的对抗性标签翻转攻击和防御

  2. 对图神经网络的探索性对抗攻击

  3. 对图卷积网络的有针对性的通用攻击

  4. 在不改变现有连接的情况下攻击基于图的分类

  5. 学习通过有针对性的扰动欺骗知识图谱增强模型

  6. 基于图神经网络的时空预测的一种顶点攻击

  7. 欺骗图神经网络的单节点攻击

  8. 图神经网络的黑盒对抗攻击作为影响最大化问题

  9. 深度图匹配的对抗性攻击

  10. 对图神经网络进行Practical对抗性攻击

  11. 一种对隐私保护记录链接的图匹配攻击

  12. 通过 GAN 对图嵌入的自适应对抗性攻击

  13. 乘法器交替方向法对图神经网络的可扩展对抗性攻击

  14. 针对用于恶意软件检测的图神经网络的语义保留强化学习攻击

  15. 对大规模图的对抗性攻击

  16. 通过影响函数(Influence Function)对图神经网络进行有效的规避攻击

  17. 基于强化学习的黑盒规避攻击在动态图中进行链接预测

  18. 针对无标度网络的 BC 分类的对抗性攻击

  19. 基于图神经网络的链路预测算法的对抗性攻击

  20. 图神经网络的Practical对抗性攻击

  21. 通过迭代梯度攻击的链路预测对抗性攻击

  22. 对图结构化数据的有效对抗性攻击

  23. 图Backdoor

  24. 图神经网络的Backdoor攻击

  25. 通过 Nash 强化学习进行垃圾邮件发送检测

  26. 图神经网络的对抗性攻击：扰动及其模式

  27. 对分层图池化神经网络的对抗性攻击

  28. 从图神经网络窃取链接

  29. 通过注入恶意节点对图数据进行可扩展攻击

  30. 网络中断：最大化社交网络中的分歧和两极分化

  31. 网络中意见动态的对抗性扰动

  32. 图神经网络上的非目标特定节点注入攻击：一种分层强化学习方法

  33. MGA：网络上的动量梯度攻击

  34. 通过对图卷积网络进行Poisoning邻居的间接对抗性攻击

  35. 图通用对抗性攻击：一些不良行为者破坏图学习模型

  36. 对无标度网络的对抗性攻击：测试物理标准的稳健性

  37. 通过隐藏个人对社区检测的对抗性攻击

  1. Adversarial Label-Flipping Attack and Defense for Graph Neural Networks  

  2. Exploratory Adversarial Attacks on Graph Neural Networks  

  3. A Targeted Universal Attack on Graph Convolutional Network  

  4. Attacking Graph-Based Classification without Changing Existing Connections 

  5. Learning to Deceive Knowledge Graph Augmented Models via Targeted Perturbation  

  6. One Vertex Attack on Graph Neural Networks-based Spatiotemporal Forecasting

  7. Single-Node Attack for Fooling Graph Neural Networks  

  8. Black-Box Adversarial Attacks on Graph Neural Networks as An Influence Maximization Problem  

  9. Adversarial Attacks on Deep Graph Matching  | Attack  |  Graph Matching  | Deep Graph Matching Models 

  10. Towards More Practical Adversarial Attacks on Graph Neural Networks  

  11. A Graph Matching Attack on Privacy-Preserving Record Linkage 

  12. Adaptive Adversarial Attack on Graph Embedding via GAN  

  13. Scalable Adversarial Attack on Graph Neural Networks with Alternating Direction Method of Multipliers 

  14. Semantic-preserving Reinforcement Learning Attack Against Graph Neural Networks for Malware Detection 

  15. Adversarial Attack on Large Scale Graph  

  16. Efficient Evasion Attacks to Graph Neural Networks via Influence Function

  17. Reinforcement Learning-based Black-Box Evasion Attacks to Link Prediction in Dynamic Graphs 

  18. Adversarial attack on BC classification for scale-free networks

  19. Adversarial Attacks on Link Prediction Algorithms Based on Graph Neural Networks 

  20. Practical Adversarial Attacks on Graph Neural Networks

  21. Link Prediction Adversarial Attack Via Iterative Gradient Attack 

  22. An Efficient Adversarial Attack on Graph Structured Data 

  23. Graph Backdoor  | Attack  |  Node Classification Graph Classification  

  24. Backdoor Attacks to Graph Neural Networks 

  25. Robust Spammer Detection by Nash Reinforcement Learning 

  26. Adversarial Attacks on Graph Neural Networks: Perturbations and their Patterns

  27. Adversarial Attack on Hierarchical Graph Pooling Neural Networks

  28. Stealing Links from Graph Neural Networks  

  29. Scalable Attack on Graph Data by Injecting Vicious Nodes 

  30. Network disruption: maximizing disagreement and polarization in social networks

  31. Adversarial Perturbations of Opinion Dynamics in Networks 

  32. Non-target-specific Node Injection Attacks on Graph Neural Networks: A Hierarchical Reinforcement Learning Approach  

  33. MGA: Momentum Gradient Attack on Network  | Attack  |  Node Classification, Community Detection

  34. Indirect Adversarial Attacks via Poisoning Neighbors for Graph Convolutional Networks 

  35. Graph Universal Adversarial Attacks: A Few Bad Actors Ruin Graph Learning Models

  36. Adversarial Attacks to Scale-Free Networks: Testing the Robustness of Physical Criteria 

  37. Adversarial Attack on Community Detection by Hiding Individuals 

更多论文请查看:

https://github.com/safe-graph/graph-adversarial-learning-literature

编辑：文婧

数据派THU
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【NeurIPS 2023】Backdoor对抗攻防论文汇总
m0_61899108的博客
10-05 4802
2023年以及2022年的NeurIPS有关backdoor的对抗攻防的论文。
Detecting Backdoor in Deep Neural Networks viaIntentional Adversarial Perturbations论文分享（侵删）
DTGshaodow的博客
12-28 803
与针对每个图像专门制作的图像特定对抗扰动不同[14]，UAP是基于具有一小组干净图像的模型生成的[13]。UAP [13]作为一种与图像无关的扰动，对触发器的影响远小于特定于图像的扰动，因此后门实例的标签即使在受到UAP [13]的扰动后也不会改变。在没有提出的防御方法的情况下，Fashion-MNIST [9]，CIFAR-10 [10]和GTSRB [11]上的后门攻击成功率（BASR）分别为99.47%，99.77%和97.89%。只需要一小组干净的图像（300个干净的图像）来生成通用的对抗性扰动。
【论文精读】DiffAttack：难以察觉和可转移的对抗性攻击的扩散模型
最新发布
weixin_47748259的博客
04-24 835
xt​。
对抗攻击（Adversarial Attack）
热门推荐
ji_meng的博客
04-22 1万+
对抗攻击
Poisoning Attack in Adversarial Machine Learning
ColdWindHA的博客
03-05 1605
Poisoning Attack in Adversarial Machine Learning Data Poisoning攻击区别于Evasion攻击，是攻击者通过对模型的训练数据做手脚来达到控制模型输出的目的，是一种在训练过程中产生的对模型安全性的威胁。Data Poisoning，即对训练数据“下毒”或“污染”。这种攻击手段常见于外包模型训练工作的场景，例如我们常常将模型训练任务委托给第三方云平台（如Google Colab等等），此时第三方平台就掌握了我们的所有训练数据，很容易在训练数据上做手脚，
基于图神经网络的对抗攻击防御 GNNGUARD: Defending Graph Neural Networks against Adversarial Attacks
随便记记笔记
12-23 2128
参考资料 项目：https://zitniklab.hms.harvard.edu/projects/GNNGuard/ 代码：https://github.com/mims-harvard/GNNGuard paper：https://arxiv.org/abs/2006.08149 poster：https://zitniklab.hms.harvard.edu/publications/posters/GNNGuard-NeurIPS20.pdf 介绍 论文来自于NeurIPS 2020，题目是G
红蓝对抗攻击思路一览红蓝对抗攻击思路一览
05-30
介绍全面的攻击思路和攻击方法，借助思维导图介绍完整的信息收集-边界突破-内网渗透以及近源攻击等
2021届毕业设计（论文）选题及成绩一览表.xlsx
12-28
2021届毕业设计（论文）选题及成绩一览表.xlsx
计算机与信息管理中心近几年发表论文一览.pdf
10-16
计算机与信息管理中心近几年发表论文一览.pdf
2011届计算机科学与技术专业毕业论文题目一览表.docx
07-12
2011届计算机科学与技术专业毕业论文题目一览表.docx2011届计算机科学与技术专业毕业论文题目一览表.docx2011届计算机科学与技术专业毕业论文题目一览表.docx2011届计算机科学与技术专业毕业论文题目一览表.docx2011...
对抗攻击方法一览（详细）.doc
07-08
对抗攻击方法一览 对抗攻击是指在干净的图片中添加微小的扰动，使神经网络（DNN）产生误判，但人的肉眼却无法察觉的一项技术。这种技术的出现是由于神经网络的鲁棒性不如我们预期的那样强，仅仅在图片中添加一个...
KDD2018《Adversarial Attacks on Neural Networks for Graph Data》 论文详解
专注。
03-26 3971
论文链接：https://arxiv.org/pdf/1805.07984.pdf Abstract 本文介绍了第一个在属性图上进行对抗攻击的研究，特别关注利用图卷积的思想模型。除了在测试阶段进行攻击，本文进行了更具挑战的poisoning attack（聚焦于机器学习模型的训练阶段）类别。在考虑实例间依赖关系的情况下，针对节点特征和图结构进行对抗扰动（adversarial perturbation）。通过保证重要的数据特征保证扰动是不可见的（unnoticeable）。为了解决底层的离散域（disc
2022 《Black-box Node Injection Attack for Graph Neural Networks》论文详解
专注。
04-17 1992
原文链接：https://arxiv.org/pdf/2202.09389.pdf evasion attack 1 Abstract & Introduction 本文将节点注入攻击建模为一个马尔可夫决策过程，并提出了一种基于 advantage actor critic 的图增强学习框架 GA2C，以生成注入节点的真实特征，并将它们无缝地合并到具有相同拓扑特征的原始图中。 ...
WWW2020《Adversarial Attacks on Graph Neural Networks via Node Injections：分层增强学习方法》（NIPA）论文详解
专注。
04-28 1501
论文链接：https://faculty.ist.psu.edu/vhonavar/Papers/www20.pdf poisoning attack 1 Abstract and Introduction 本文考虑了一种针对图数据的节点注入中毒攻击（poisoning attack）的形式。对节点注入攻击的关键步骤进行建模，例如，通过马尔可夫决策过程（MDP）在注入的对抗节点和其他节点之间建立链接、选择注入节点的标签等。本文提出了一种针对节点注入中毒攻击（Node Injection Poisoni
基于图神经网络的对抗攻击 Nettack: Adversarial Attacks on Neural Networks for Graph Data
随便记记笔记
12-23 5579
我来讲一些关于图神经网络上的攻击和防御手段。 随着GNN的应用越来越广，在安全非常重要的应用中应用GNN，存在漏洞可能是非常严重的。 比如说金融系统和风险管理，在信用评分系统中，欺诈者可以伪造与几个高信用客户的联系，以逃避欺诈检测模型。 或者垃圾邮件发送者可以轻松地创建虚假的关注者，向社交网络添加错误的信息，以增加推荐和传播重大新闻的机会，或者操控在线评论和产品网站。 因此，我们需要研究对图神经网络的攻击和防御，在我们真正部署一个模型前，应该确认一下这个模型在面对对抗攻击的时候足够健壮？ ...
推荐系统中的对抗机器学习技术总结
abcdefg90876的博客
03-08 1572
近年来，随着硬件基础以及算法能力的显著提高，以深度学习模型为代表的机器学习技术得到了学术界和工业界的广泛关注。由于出色的特征表示能力和数据拟合能力，深度学习模型已经席卷机器学习应用的各个子...
【论文阅读】Reinforcement Learning-Based Black-Box Model Inversion Attacks
Yogurtboyyy的博客
06-16 382
强化学习
KDD‘20 | 如何建模互联网水军的对抗行为？
paper_reader的博客
10-28 647
阅读更多，欢迎关注公众号：论文收割机（paper_reader） 因为排版问题，很多图片和公式无法直接显示，欢迎关注我们的公众号点击目录来阅读原文。 Dou,Yingtong,GuixiangMa,PhilipS.Yu,andSihongXie.(2020)"RobustSpammerDetectionbyNashReinforcementLearning."KDD'20. 引言 关于互联网水军以及欺诈检测，本公众号曾介绍过一系列文章。例如： ...
KDD'20 | 如何建模互联网水军的对抗行为？
AITIME_HY的博客
10-17 966
Dou,Yingtong,GuixiangMa,PhilipS.Yu,andSihongXie.(2020)"RobustSpammerDetecti...
visio2021形状一览
08-18
Visio 2021是一款功能强大的流程图和图表制作软件，提供了丰富的形状库，让用户可以轻松创建各种类型的图表和流程图。以下是Visio 2021中的一些主要形状： 1. 基本形状：Visio 2021提供了各种基本形状，如矩形、圆形、三角形、线条等。这些形状可用于创建简单的流程图、结构图或基本图表。 2. 流程图形状：Visio 2021的形状库中有许多与流程图相关的形状，例如流程框、决策框、连接器、开始/结束符号等。这些形状可以帮助用户清晰地展示业务流程或决策路径。 3. 组织结构图形状：如果你需要创建组织结构图，Visio 2021提供了多种形状，如部门框、职位框、人员框等。用户可以使用这些形状来构建公司、部门或团队的组织结构。 4. 数据图形状：Visio 2021的形状库中还包含各种用于创建数据图表的形状，如柱状图、折线图、饼图等。用户可以根据自己的数据快速生成可视化的图表。 5. 网络图形状：对于想要创建网络拓扑图或网络架构图的用户，Visio 2021提供了各种网络设备和符号的形状，如路由器、交换机、服务器等。这些形状可以简化网络图的设计过程。 总之，Visio 2021的形状库非常丰富，可以满足各种图表和流程图的制作需求。用户可以根据具体的需求选择适合的形状，轻松创建出专业而令人印象深刻的图表。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值