跳到正文
热点事件持续更新

研究者发布多图神经网络对抗鲁棒性框架

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

针对反洗钱任务中多图神经网络的对抗脆弱性，Dennis Heijmans等研究者提出首个可扩展的结构攻击与对抗训练框架。该框架利用节点-边关联矩阵优化结构扰动，并适应投影梯度下降法，引入基于环的正则化项以惩罚有向二阶及三阶环计数的变化，增强攻击合理性。 实验结果表明，所学到的攻击能显著降低检测性能（PR-AUC），而对抗训练可有效提升模型的鲁棒性。该论文已被第五届图学习会议（LoG 2026）接收，研究代码已公开。

AI 根据报道生成 · 3 小时前更新

最新进展10月26日 12:00
基于节点-边关联矩阵的多图神经网络对抗鲁棒性框架

报道时间线

沿着报道，了解事件的不同侧面。

10月26日
  1. arXiv · ML
    基于节点-边关联矩阵的多图神经网络对抗鲁棒性框架

    针对反洗钱任务中多图神经网络的对抗脆弱性，论文提出首个可扩展的结构攻击与对抗训练框架，利用节点-边关联矩阵优化结构扰动。 该框架适应投影梯度下降法，并引入基于环的正则化项以惩罚有向二阶及三阶环计数的变化，增强攻击的合理性。 实验表明，所学到的攻击能显著降低检测性能（PR-AUC），而对抗训练可有效提升模型的鲁棒性。

本事件热度走势

可比范围当前
9
可比范围峰值
910月26日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。