محققان در مطالعه اخیر خود به سراغ یکی از نقاط ضعف مهم شبکههای عصبی گراف (GNN) یعنی «حملات تزریق گره» (Node Injection Attacks) رفتهاند. مدلهای GNN که در بسیاری از حوزهها کاربرد دارند، در برابر تزریق گرههای مخرب بدون تغییر در ساختار اصلی گراف بسیار آسیبپذیر هستند.
تکنیک جدیدی به نام TIRBA با استفاده از یادگیری تقویتی (Reinforcement Learning) و بهینهسازی همزمان ویژگیها و اتصالات، توانسته است دقت بسیار بالاتری در شناسایی و مقابله با این حملات «جعبهسیاه» داشته باشد. این دستاورد گام بزرگی برای افزایش امنیت مدلهای مبتنی بر گراف در محیطهای حساس است.
منبع: arXiv Machine Learning