#今日论文推荐# 可信图神经网络综述：隐私，鲁棒性，公平和可解释性

​

#今日论文推荐# 可信图神经网络综述：隐私，鲁棒性，公平和可解释性

对于可信图神经网络（Trustworthy Graph Neural Networks）在隐私（privacy），鲁棒性（robustness），公平（fairness）和可解释性（explainability） 的研究工作，我们进行了系统的梳理和讨论。对于可信赖所要求的各个方面，我们将现有概念和方法归类并提炼出各类的通用框架。同时我们也给出了代表性工作和前沿方法的具体细节。对于未来的工作方向，我们也进行了探讨。

在现实应用当中，大量的数据列如交通网络，社交网络，知识图谱乃至蛋白质结构，都是以图的形式存在的。图神经网络（GNNs）将深度学习拓展到图结构数据的处理和建模。典型的图神经网络会汇聚邻居节点（neighbor node）的信息来增强目标节点（target node）来获取更强的特征。这种被称作 message-passing 的机制使得图神经网络在处理图结构数据上取得了巨大成功并被广泛应用到日常生活。例如，Pinterest 就应用了 GNNs 在他们的图片推荐系统当中。

论文题目：A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability
详细解读：https://www.aminer.cn/research_report/62748a1a7cb68b460fb11d16?download=falsehttps://www.aminer.cn/research_report/62748a1a7cb68b460fb11d16?download=false
AMiner链接：https://www.aminer.cn/?f=cs

​