近年来，图神经网络（GNN）取得了飞速发展。由于其在图结构数据建模方面的强大能力，GNN 被广泛应用于各种领域，包括金融分析、交通预测和药物发现等高风险场景。尽管 GNN 在现实世界中具有造福人类的巨大潜力，但最近的研究表明，GNN 可能会泄露私人信息，容易受到对抗性攻击，会继承和放大训练数据中的社会偏见，并且缺乏可解释性，有可能对用户和社会造成无意伤害。例如，现有研究表明，攻击者可以通过对训练图进行不引人注意的扰动来欺骗 GNN，使其给出自己想要的结果。在社交网络上训练的 GNN 可能会在决策过程中嵌入歧视，从而强化不良的社会偏见。因此，为了防止 GNN 模型的危害，提高用户对 GNN 的信任度，关注 GNN 可信性各个方面的工作应运而生。来自美国宾夕法尼亚州立大学和密歇根州立大学的研究团队从隐私性、鲁棒性、公平性和可解释性等计算方面对 GNN 进行了全面考察。针对每个方面，团队给出了相关方法的分类，并制定了多类可信 GNN 的一般框架。团队还讨论了每个方面的未来研究方向以及这些方面之间的联系，以帮助实现可信性。相关成果已发表于《机器智能研究（英文）》2024年第6期中。欢迎阅读[送花花]http://t.cn/A6B1J7Ew #机器学习[超话]##人工智能[超话]##图神经网络#