本文提出了一种简化梯度攻击方法，通过多阶段攻击框架使图神经网络误分类。引入度同配改变指标评估对抗攻击影响，并提出基于优化的对抗训练方法以提高模型鲁棒性。采用新型可微图攻击方法（DGA），实现高效攻击，减少训练时间和内存占用。研究还探讨黑盒攻击和节点插入攻击的有效性，提出动量梯度攻击（MGA）算法，增强攻击效果和转移能力。

该文综述了多项图神经网络研究，包括：融合黎曼流形嵌入以提升分类与链路预测；采用局部中心度策略改善不同规模图的分类；在史蒂费尔流形上学习辛结构以增强适应性；推广双曲GNN以缓解过度压缩；提出图Gram指数度量嵌入不稳定性；利用Gumbel图网络建模时间序列；设计Eigen-GNN插件增强结构保留；将GNN用于移动自组网边预测；以及简化梯度攻击与度同配指标。

本文介绍了一种简化梯度攻击的方法，通过多阶段攻击框架，只需较小子图即可使图神经网络误分类。同时，作者还提出了度同配改变指标来衡量对图数据的对抗攻击影响。

本文介绍了一种简化梯度攻击的方法，通过多阶段攻击框架，在只需较小子图的情况下使图神经网络误分类。同时，作者还提出了度同配改变这一实用指标来衡量对图数据的对抗攻击的影响。