研究人员开发了一种名为 Feature-Context Consistency (CB-RBM) 的新型无监督方法，用于检测演化属性图上的对抗性攻击。该方法利用节点属性与其邻域聚合属性之间的一致性，即使在欺诈标签不可用且数据分布随时间自然变化的情况下也能保持检测准确性。CB-RBM 在四种对抗性攻击上表现出色，AUROC 至少达到 0.96，并在数据漂移下保持较低的误报率，其性能优于监督图神经网络和其他无监督基线。 AI
影响 这种无监督方法可以提高基于图的安全系统在面对不断演变的威胁和数据漂移时的鲁棒性。
排序理由 该集群包含一篇研究论文，详细介绍了一种检测属性图上对抗性攻击的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- CB-RBM
- Feature-Context Consistency
- graph neural network
- restricted Boltzmann machine
- XBlock Ethereum
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
