Recent Advances in Reliable Deep Graph Learning: Inherent Noise, Distribution Shift, and Adversarial Attack

要約

タイトル：信頼性の高い深層グラフ学習の最近の進歩：固有ノイズ、分布シフト、および敵対的攻撃

要約：

– 深層グラフ学習（DGL）は、金融やeコマースから薬物や新素材の開発まで、ビジネスや科学領域で驚くべき進展を遂げています。
– しかし、実際のアプリケーションにDGLを適用することは、固有ノイズ、分布シフト、および敵対的攻撃などの一連の信頼性の脅威に直面することを意味します。
– この調査は、上記の脅威に対するDGLアルゴリズムの信頼性向上のための最近の進歩を包括的にレビューすることを目的としています。
– 通常、敵対的攻撃と防御に重点を置いた先行の関連調査とは対照的に、本調査はDGLの信頼性に関するより幅広い側面を扱っており、すなわち固有ノイズと分布シフトについても扱います。
– さらに、上記の側面の関係について議論し、将来の研究で探求されるべき重要な問題を強調しています。

要約(オリジナル)

Deep graph learning (DGL) has achieved remarkable progress in both business and scientific areas ranging from finance and e-commerce to drug and advanced material discovery. Despite the progress, applying DGL to real-world applications faces a series of reliability threats including inherent noise, distribution shift, and adversarial attacks. This survey aims to provide a comprehensive review of recent advances for improving the reliability of DGL algorithms against the above threats. In contrast to prior related surveys which mainly focus on adversarial attacks and defense, our survey covers more reliability-related aspects of DGL, i.e., inherent noise and distribution shift. Additionally, we discuss the relationships among above aspects and highlight some important issues to be explored in future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI