本文探讨图神经网络（GNN）在敌对攻击下的脆弱性，并提出了Pro-GNN和ELR-GNN等防御框架，以提高GNN的鲁棒性。研究表明，通过优化图结构和结合特征平滑性等方法，可以显著增强GNN的防御能力，实验结果显示这些新方法在多种攻击场景中表现优异。

本文研究了图神经网络（GNN）的聚合操作和鲁棒性，提出了统一图神经网络框架UGNN及ADA-UGNN模型，并验证其在图像去噪中的有效性。同时，探讨了GNN在敌对攻击下的脆弱性，提出Pro-GNN框架以增强防御能力。此外，研究还涉及自监督学习和图结构优化等方法，以提升GNN在各种任务中的鲁棒性和性能。

本文探讨了图神经网络在敌对攻击下的脆弱性，并提出了 Pro-GNN 框架以增强其稳健性。研究还介绍了新型攻击方法 DGA，显著提高了攻击效率并减少了训练时间。实验验证了对抗训练和位置编码在提升 GNN 性能方面的有效性。

该研究探讨了开源大型语言模型（LLM）的敌对攻击方法，发现嵌入空间攻击能有效触发危险行为，并提出了新的威胁模型。研究表明，提示构建对模型决策有显著影响，微小变化也能改变输出。呼吁在发布前进行全面测试，以提高模型的安全性和对齐性。

本文探讨了图神经网络（GNN）在敌对攻击下的脆弱性，并提出了Pro-GNN框架以增强其鲁棒性。研究表明，Pro-GNN在防御敌对攻击方面表现优异，并通过对抗训练提高了GNN的可解释性和抵御能力。同时，提出了GXAttack作为针对GNN解释的对抗攻击方法，强调了对未来GNN解释器的鲁棒性评估需求。

本文通过强化学习生成对抗性样本，探究了神经机器翻译系统的失败情况，并对两种主流架构进行了敌对攻击实验。结果显示该方法能有效生成稳定的攻击和有保留含义的对抗性样本，并展示了攻击偏好模式的定性和定量分析，证明了该方法能暴露系统的缺陷。

本文通过强化学习生成对抗性样本，研究了神经机器翻译系统的失败情况，对RNN-search和Transformer进行了敌对攻击实验，结果表明该方法能够有效生成稳定的攻击和有保留含义的对抗性样本，并展示了攻击偏好模式的定性和定量分析，证明了该方法能够暴露神经翻译系统的缺陷。

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%。