图神经网络对抗攻击与鲁棒性评测前沿进展

近年来,图神经网络(GNNs)逐渐成为人工智能的重要研究方向。然而,GNNs的对抗脆弱性使其实际应用面临严峻挑战。为了全面认识GNNs对抗攻击与鲁棒性评测的研究工作,对相关前沿进展进行梳理和分析讨论。介绍GNNs对抗攻击的研究背景,给出GNNs对抗攻击的形式化定义,阐述GNNs对抗攻击及鲁棒性评测的研究框架和基本概念。对GNNs对抗攻击领域所提具体方法进行了总结和梳理,并对其中的前沿方法从对抗攻击类型和攻击目标范围的角度进行详细分类阐述,分析了它们的工作机制、原理和优缺点。考虑到基于对抗攻击的模型鲁棒性评测依赖于对抗攻击方法的选择和对抗扰动程度,只能实现间接、局部的评价,难以全面反映模型鲁棒性的本质特征,从而着重对模型鲁棒性的直接评测指标进行了梳理和分析。在此基础上,为了支撑GNNs对抗攻击方法和鲁棒性模型的设计与评价,通过实验从易实现程度、准确性、执行时间等方面对代表性的GNNs对抗攻击方法进行了对比分析。对存在的挑战和未来研究方向进行展望。总体而言,目前GNNs对抗鲁棒性研究以反复实验为主,缺乏具有指导性的理论框架。如何保障基于GNNs的深度智能系统的可信性,仍需进一步系统性的基础理论研究。

拍卖博弈模型在无线传感器网络路由中的应用研究

为了提高无线传感器网络数据转发的可靠性及能量利用率,本文基于拍卖博弈建立了拍卖路由博弈模型,并提出一种进行转发节点选择的价格路由博弈算法.在算法中潜在的转发节点为了从发送节点获得虚拟货币而相互竞争,发送节点根据各个转发节点的标价选择最佳转发节点.实验仿真表明拍卖路由博弈模型的合理、有效,提出的价格路由博弈算法能够降低节点的能量消耗,延长网络的生命周期.

无线传感器网络路由中合作性重复博弈模型的研究

无线传感器网络中,节点能耗、路径可靠度以及节点的死亡时间是传感器网络路由需要考虑的关键因素。为了提高能量利用率和传感器网络收益,在节点理性且自私的条件下,运用博弈论方法提出了一种基于节点合作的数据包发送/转发的重复博弈模型,设计了一个与路径连通度和节点能量消耗有关的收益函数,采用惩罚机制使重复博弈模型存在子博弈精炼纳什均衡,降低了自私节点背叛的可能性。实验结果表明:采用惩罚机制的重复博弈能够提高网络的收益,同时也提高了网络吞吐量,任何自私节点的不合作行为都导致节点的能量浪费和节点的整体收益下降。

多信道无线Mesh网络路由机制

在无线Mesh网络中,采用合理设计路由度量来优化网络性能是一种常用的方法.本文对已有的典型路由度量进行分析讨论,比较全面的给出了设计无线Mesh网路路由度量应该考虑的重要因素.基于多信道无线Mesh网络的特点,本文提出一个多信道无线Mesh网络路由度量CLIDH,并在此基础上提出一个跨层多信道路由协议CMAODV.仿真结果表明,和已有的路由度量相比较,CLIDH能够充分利用网络资源,使网络性能得到明显改善.

图学习隐私与安全问题研究综述

虽然海量的现实需求为人工智能提供了广阔的应用场景,但要求人工智能系统适应复杂的计算环境.然而,传统人工智能算法的研究都假设其应用环境是安全可控的.大量研究和实践工作表明当前的人工智能技术普遍对外在风险考虑不足,相关数据和模型算法存在隐私与安全风险.由于人工智能安全的现实需求以及图学习的巨大影响,图学习的隐私与安全问题成为当前图学习领域面临的重要挑战.为此,研究人员近年来从图学习系统的各个环节出发对图学习隐私与安全问题进行了研究,提出了相关的攻击和防御方法.本综述首先阐述研究图学习隐私与安全的重要意义,然后介绍图学习系统的基本过程、图学习面临的主要隐私与安全威胁以及图学习的隐私与安全特性;在上述基础上,分别从图数据隐私、图数据安全、图模型隐私和图模型安全四个方面对现有研究工作进行系统的归纳总结,讨论主要成果和不足;最后,介绍相关的开放资源,并从数据特征、解释性、研究体系和实际应用等方面探讨面临的挑战和未来的研究方向.

大数据时代网络科学研究进展——多层复杂网络理论

本文讨论数据科学和网络科学的关系,指出网络科学是大数据分析的重要基础理论,并详细介绍了网络科学的最新进展:多层复杂网络理论的概念和相关问题。

知识图谱与网络表示学习

本文针对大数据时代信息组织形式的变革,介绍了"知识图谱"的相关概念,并详细介绍了知识图谱相关的关键技术与应用方向。在基础上,本文介绍了基于知识图谱进行大规模计算所必需的网络表示学习技术及其当前面临的问题与未来发展趋势。