图神经网络
文章平均质量分 89
今我来思雨霏霏_JYF
这个作者很懒,什么都没留下…
展开
-
Subgraph mining in a large graph: A review(2022 WIREs DMKD)
大图通常用于对各种研究和应用领域中的复杂系统进行模拟和建模。由于其重要性,单个大图中的频繁子图挖掘(FSM)是一个至关重要的问题,最近它吸引了众多研究人员,并在研究和应用目的的各种任务中发挥了重要作用。FSM旨在找到大图中出现次数大于或等于给定频率阈值的所有子图。在最近的大多数应用中,底层图非常大,例如社交网络,因此基于单个大图的 FSM 算法得到了快速发展,但它们都具有 NP 难(非确定性多项式时间)复杂性和巨大的搜索空间,因此仍然需要大量的时间和内存来恢复和处理。原创 2023-12-24 21:38:37 · 109 阅读 · 0 评论 -
Attacking Fake News Detectors via Manipulating News Social Engagement(2023 WWW)
在年轻一代中,获取新闻的主要来源之一是社交媒体。随着新闻在各种社交媒体平台上日益流行,虚假信息和毫无根据的言论的传播也随之激增。随着提出了各种基于文本和社交背景的虚假新闻检测器,最近的研究开始关注虚假新闻检测器的漏洞。在本文中,我们提出了第一个针对基于图神经网络(GNN)的假新闻检测器的对抗性攻击框架,以探讨其鲁棒性。具体而言,我们利用多智能体强化学习(MARL)框架来模拟社交媒体上欺诈者的对抗行为。研究表明,在现实世界的环境中,欺诈者相互协作,共享不同的新闻,以逃避虚假新闻检测器的检测。原创 2023-11-29 15:10:47 · 225 阅读 · 0 评论 -
Adversarial Attack and Defense on Graph Data: A Survey(2022 IEEE Trans)
深度神经网络(DNN)已广泛应用于各种应用,包括图像分类、文本生成、音频识别和图数据分析。然而,最近的研究表明 DNN 很容易受到对抗性攻击。尽管在图像和自然语言处理等领域有一些关于对抗性攻击和防御策略的工作,但由于其表示结构,将学到的知识直接转移到图数据仍然很困难。鉴于图分析的重要性,过去几年越来越多的研究试图分析机器学习模型在图数据上的鲁棒性。然而,考虑图数据上的对抗行为的现有研究通常侧重于具有某些假设的特定类型的攻击。此外,每项工作都提出了自己的数学公式,这使得不同方法之间的比较变得困难。原创 2023-11-27 19:22:57 · 274 阅读 · 0 评论 -
Adversarial Attack on Graph Structured Data(2018 PMLR)
基于图结构的深度学习已经在各种应用中显示出令人兴奋的结果。然而,与图像或文本对抗攻击和防御的大量研究工作相比,此类模型的鲁棒性却很少受到关注。在本文中,我们重点关注通过修改数据组合结构来欺骗深度学习模型的对抗性攻击。我们首先提出一种基于强化学习的攻击方法,该方法学习可泛化的攻击策略,同时只需要来自目标分类器的预测标签。在额外的预测置信度或梯度可用的情况下,我们进一步提出基于遗传算法和梯度下降的攻击方法。我们使用合成数据和真实数据来表明,在图级和节点级分类任务中,一系列图神经网络模型很容易受到这些攻击。原创 2023-11-26 22:48:55 · 361 阅读 · 0 评论 -
DeepWalk代码实战-维基百科词条图嵌入可视化
参考资料:【DeepWalk代码实战-维基百科词条图嵌入可视化】 https://www.bilibili.com/video/BV1et4y187Gd/?原创 2023-11-25 23:26:29 · 143 阅读 · 0 评论 -
Adversarial attack on community detection by hiding individuals(2020 CCF A类会议WWW)
Adversarial attack on community detection by hiding individuals----《通过隐藏成员进行社区检测的对抗性攻击》 社区检测旨在将图划分成 KKK 个不相交的子图。摘要 已经证明,对抗图(即添加了难以察觉的扰动的图)可能会导致深度图模型在节点/图分类任务上失败。在本文中,我们将对抗图扩展到更困难的社区检测问题上。我们专注于黑盒攻击,并旨在将有针对性的个体隐藏在深度图社区检测模型的检测之外。这在现实世界的场景中有许多应用,例如在社原创 2023-11-25 11:47:28 · 277 阅读 · 0 评论 -
The PageRank Citation Ranking Bringing Order to the Web(1997 谷歌搜索引擎算法)以及用PageRank计算四大名著人物重要性及关系代码
数据集下载地址:http://openkg.cn/dataset/ch4masterpieces。衡量,不同入度边的权重不同,需要根据引用该网页的其他网页的重要性(将互联网表示成了图(有向图),(即特征值为1的特征向量)的概率被随机传送到其他节点,的概率按原路线随机游走,:一个网页的重要性以其。原创 2023-11-23 19:51:03 · 557 阅读 · 0 评论 -
Hierarchical Graph Representation Learning with Differentiable Pooling(2018 NeurIPS)
最近,图神经网络(GNN)通过有效学习节点嵌入彻底改变了图表示学习领域,并在节点分类和链接预测等任务中取得了最先进的结果。然而,当前的GNN方法本质上是扁平化的,不能学习图的层次表示——这一限制对于图分类任务来说尤其成问题,因为图分类的目标是预测与整个图相关联的标签。在这里,我们提出了DIFFPOOL,这是一个可微分的图池模块,可以生成图的层次表示,并可以与各种图神经网络结构在端到端方式的组合。原创 2023-11-22 21:10:15 · 277 阅读 · 0 评论 -
DeepWalk: Online Learning of Social Representations(2014 ACM SIGKDD)
我们提出了 DeepWalk,一种学习网络中节点潜在表示的新方法。这些潜在表示在连续向量空间中对社会关系进行编码,很容易被统计模型利用。DeepWalk 概括了语言建模和无监督特征学习(或深度学习)从单词序列到图形的最新进展。DeepWalk 使用从截断随机游走获得的局部信息,通过将游走视为句子的等价物来学习潜在表示。我们在 BlogCatalog、Flickr 和 YouTube 等社交网络的多个多标签网络分类任务上展示了 DeepWalk 的潜在表示。原创 2023-11-22 12:09:39 · 441 阅读 · 0 评论 -
Adversarially Robust Neural Architecture Search for Graph Neural Networks(2023CVPR)
图神经网络(GNN)在关系数据建模方面取得了巨大成功。尽管如此,它们仍然容易受到对抗性攻击,这对于将 GNN 应用到风险敏感领域来说是巨大的威胁。现有的防御方法既不能保证面对新数据/任务或对抗性攻击的性能,也不能提供从架构角度理解 GNN 鲁棒性的见解。神经架构搜索(NAS)有望通过自动化GNN架构设计来解决这个问题。然而,当前的图 NAS 方法缺乏稳健的设计,并且容易受到对抗性攻击。为了应对这些挑战,我们提出了一种新颖的GNN 鲁棒神经架构搜索框架(G-RNA)。原创 2023-11-19 17:24:30 · 200 阅读 · 0 评论 -
Adversarial Attacks and Defenses on Graphs: A Review, A Tool and Empirical Studies(2020)
深度神经网络(DNN)在各种任务中都取得了显着的性能。然而,最近的研究表明,DNN 很容易被输入的小扰动所欺骗,称为对抗性攻击。作为 DNN 对图的扩展,图神经网络(GNN)已被证明继承了该漏洞。对手可以通过修改图结构(例如操纵一些边)来误导 GNN 给出错误的预测。这一漏洞引起了人们对在安全关键型应用中采用 GNN 的极大关注,并且近年来吸引了越来越多的研究关注。因此,有必要且及时地全面概述现有的图对抗攻击及其对策。在本次调查中,我们对现有的攻击和防御进行了分类,并回顾了相应的最先进方法。原创 2023-11-18 20:33:13 · 143 阅读 · 0 评论 -
Adversarial Attacks on Neural Networks for Graph Data(2018 ACM SIGKDD)
基于图的深度学习模型在节点分类任务上取得了较好的性能。尽管已经有了很多成果,但目前还没有研究它们对敌对攻击的鲁棒性。然而,在可能使用它们的领域,例如在网络上,对手很常见。图的深度学习模型容易被愚弄吗?在这项工作中,我们介绍了对属性图的对抗性攻击的第一个研究,特别关注利用图卷积思想的模型。除了测试时的攻击外,我们还解决了更具挑战性的中毒/致病攻击,这些攻击集中在机器学习模型的训练阶段。因此,在考虑实例之间的依赖关系的情况下,我们针对节点的特征和图结构产生对抗扰动。原创 2023-11-18 11:30:40 · 289 阅读 · 0 评论 -
A Comprehensive Survey on Graph Neural Networks(2020 Trans)
近年来,深度学习已经彻底改变了许多机器学习任务,从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。然而,越来越多的应用程序从非欧几里得域生成数据,并表示为对象之间具有复杂关系和相互依赖关系的图形。图数据的复杂性给现有的机器学习算法带来了巨大的挑战。最近,出现了许多关于扩展图数据深度学习方法的研究。在本次调查中,我们全面概述了数据挖掘和机器学习领域的图神经网络(GNN)。原创 2023-11-16 16:49:15 · 334 阅读 · 0 评论 -
A Gentle Introduction to Graph Neural Networks(2021 Distill)
GNN 近年来取得的成功为解决各种新问题创造了巨大的机会,图形是一种强大而丰富的结构化数据类型,其优势和挑战与图像和文本截然不同。在本文中,我们概述了研究人员在构建图神经网络方面取得的一些阶段性成果。我们介绍了在使用这些架构时必须做出的一些重要设计选择。原创 2023-11-14 22:19:14 · 150 阅读 · 0 评论