ترجمه فارسی مقاله GAIM: حمله به شبکه های عصبی گراف از طریق به حداکثر رساندن نفوذ متخاصم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی GAIM: Attacking Graph Neural Networks via Adversarial Influence Maximization
عنوان مقاله به فارسی GAIM: حمله به شبکه های عصبی گراف از طریق به حداکثر رساندن نفوذ متخاصم
نویسندگان Xiaodong Yang, Xiaoting Li, Huiyuan Chen, Yiwei Cai
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recent studies show that well-devised perturbations on graph structures or node features can mislead trained Graph Neural Network (GNN) models. However, these methods often overlook practical assumptions, over-rely on heuristics, or separate vital attack components. In response, we present GAIM, an integrated adversarial attack method conducted on a node feature basis while considering the strict black-box setting. Specifically, we define an adversarial influence function to theoretically assess the adversarial impact of node perturbations, thereby reframing the GNN attack problem into the adversarial influence maximization problem. In our approach, we unify the selection of the target node and the construction of feature perturbations into a single optimization problem, ensuring a unique and consistent feature perturbation for each target node. We leverage a surrogate model to transform this problem into a solvable linear programming task, streamlining the optimization process. Moreover, we extend our method to accommodate label-oriented attacks, broadening its applicability. Thorough evaluations on five benchmark datasets across three popular models underscore the effectiveness of our method in both untargeted and label-oriented targeted attacks. Through comprehensive analysis and ablation studies, we demonstrate the practical value and efficacy inherent to our design choices.

چکیده به فارسی (ترجمه ماشینی)

مطالعات اخیر نشان می دهد که آشفتگی های به خوبی تغییر یافته در ساختار نمودار یا ویژگی های گره می توانند مدل های شبکه عصبی نمودار آموزش دیده (GNN) را گمراه کنند.با این حال ، این روش ها غالباً از فرضیات عملی غافل می شوند ، بیش از حد به اکتشافی یا اجزای حمله حیاتی جدا می شوند.در پاسخ ، ما GAIM را ارائه می دهیم ، یک روش حمله مخالف یکپارچه که در حالی که در نظر می گیرد تنظیم دقیق جعبه سیاه را بر اساس ویژگی گره انجام می دهد.به طور خاص ، ما یک تابع تأثیر مخالف را برای ارزیابی تئوری تأثیر مخالف آشفتگی گره تعریف می کنیم ، در نتیجه مسئله حمله GNN را به مسئله حداکثر رساندن تأثیر مخالف تغییر می دهیم.در رویکرد ما ، ما انتخاب گره هدف و ساخت آشفتگی های ویژگی را در یک مشکل بهینه سازی واحد متحد می کنیم ، و از یک اختلال ویژگی منحصر به فرد و مداوم برای هر گره هدف اطمینان می دهیم.ما از یک مدل جانشین استفاده می کنیم تا این مشکل را به یک کار برنامه نویسی خطی قابل حل تبدیل کنیم و روند بهینه سازی را ساده تر کنیم.علاوه بر این ، ما روش خود را برای اسکان حملات برچسب گرا و گسترش کاربرد آن گسترش می دهیم.ارزیابی های کامل در پنج مجموعه داده معیار در سه مدل محبوب ، اثربخشی روش ما را در هر دو حملات هدفمند بدون هدف و برچسب محور تأکید می کند.از طریق تجزیه و تحلیل جامع و مطالعات فرسایش ، ارزش عملی و اثربخشی ذاتی در انتخاب طراحی خود را نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.