BriefGPT - AI 论文速递
·
长时动态图模型的对抗攻击和防御方法：矛与盾
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本研究提出了T-SPEAR方法，用于连续时间动态图上的链接预测敌对攻击，并探讨了时序图神经网络的弱点。同时，提出了鲁棒的训练方法T-SHIELD，通过边过滤和节点嵌入的时间平滑，提高了受攻击模型的鲁棒性。实验结果表明，T-SPEAR显著降低了受攻击模型在链接预测任务中的性能，攻击方法在不同于攻击者所假设的受攻击模型的TGNN上也具有传递性。T-SHIELD能够有效过滤掉敌对边，并在面对敌对攻击时展现出强大的鲁棒性，在T-SPEAR方法下使链接预测性能超过了普通TGNN最多11.2%。
🎯
关键要点
- 本研究提出了T-SPEAR方法，用于连续时间动态图上的链接预测敌对攻击。
- 研究探讨了时序图神经网络的弱点。
- 提出了鲁棒的训练方法T-SHIELD，通过边过滤和节点嵌入的时间平滑提高模型鲁棒性。
- 实验结果表明，T-SPEAR显著降低了受攻击模型在链接预测任务中的性能。
- 攻击方法在不同于攻击者假设的受攻击模型的TGNN上也具有传递性。
- T-SHIELD能够有效过滤敌对边，并在面对敌对攻击时展现强大鲁棒性。
- 在T-SPEAR方法下，链接预测性能超过普通TGNN最多11.2%。
➡️
