Login
- Originaltitel:
- Adversarial Robustness of Graph Neural Networks
- Übersetzter Titel:
- Robustheit von Graph-Neuronalen Netzwerken gegenüber Feindlichen Angriffen
- Autor:
- Zügner, Daniel
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Informatik
- Betreuer:
- Günnemann, Stephan (Prof. Dr.)
- Gutachter:
- Günnemann, Stephan (Prof. Dr.); Papalexakis, Evangelos (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- graph neural networks; graph mining; machine learning; deep learning
- Übersetzte Stichworte:
- graph-neuronale netze; graph mining; maschinelles lernen; deep learning
- TU-Systematik:
- DAT 600; DAT 703; DAT 708
- Kurzfassung:
- In this thesis we look at graph neural networks (GNNs) from a perspective of adversarial robustness. We generalize the notion of adversarial attacks -- small perturbations to the input data deliberately crafted to mislead a machine learning model -- from traditional vector data such as images to graphs. We further propose robustness certification procedures for perturbations of the node attributes as well as the graph structure.
- Übersetzte Kurzfassung:
- In dieser Doktorarbeit werden Graph-neuronale Netze (GNNs) aus der Perspektive der feindlichen Robustheit betrachtet. Das Konzept der feindlichen Angriffe -- kleiner Störungen in den Eingabedaten, um ein Machine-Learning-Modell zu täuschen -- wird generalisiert von traditionellen unabhängigen Datentypen wie Bildern hin zu Graphen. Weiterhin werden Methoden für die mathematische Zertifizierung der Robustheit von GNNs gegenüber Störungen der Knoten-Attribute sowie der Graph-Struktur präsentiert.
- WWW:
- https://mediatum.ub.tum.de/?id=1641938
- Eingereicht am:
- 07.02.2022
- Mündliche Prüfung:
- 18.05.2022
- Dateigröße:
- 3625595 bytes
- Seiten:
- 177
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220518-1641938-1-8
- Letzte Änderung:
- 30.06.2022
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology
- mediaTUM GesamtbestandHochschulbibliographie2022Schools und FakultätenInformatikInformatik 26 - Professur für Data Analytics and Machine Learning (Prof. Günnemann)