[IJCAI 2023]Preventing Attacks in Interbank Credit Rating with Selective-aware Graph Neural Network
问题
文章研究的是对银行间信用评价的攻击的预防。点是银行，边是银行间的借贷关系。
攻击方式有特征攻击（改特征）和结构攻击（加边），目标是点预测。
模型
选择表示层
通过伯努利分布相似度对训练数据集进行优先级排序，移除可能被攻击的表示，模拟出干净的图
- 使用参数为p的伯努利分布生成布尔矩阵：
\[B = Bernolli(1^{r \times N}, p)
\]
其中r是迭代次数，N是节点，p是移除概率。每一轮迭代都是彼此独立的。
根据矩阵B过滤输入特征值X进行GNN训练，比较不同移除选择下的结果，保存最优B矩阵。下一轮训练时，基于之前保存的B矩阵（所有的都会保留，会先合并他们再输出单个），继续重复之前的操作（也就是有r+1组）。多轮迭代后得到优化后的B矩阵。
- 目标相似度：
这部分会考虑连接点之间是否存在标签差距过大的情况
\[LS = \frac{1}{2} \sum^n_{i, j = 1} A_{i, j}(y_i - y_j)^2
\]
以及同类相点计算每个点和其他同类型点特征的差异
\[FS = \frac{1}{k}\sum^m_{i=1}(\sum^n_{j=1}x_j - avgX(i))
\]
最终的目标是减小LS和FS
- 损失函数：
LS，FS加上使用标签的交叉熵，三块加权重得到最终损失函数
实验
文章收集了七种银行数据，分析了基本信息、基本项目、变化率三类指标构建了数据集，并进行了特征攻击和结构攻击。
实验结果
- Selective-aware Preventing Interbank Selective Attacksselective-aware preventing interbank selective selective-aware interbank preventing attacks selective preventing settings newbing feature preventing settings feature network linear-time selective sequence modeling experience selective lifelong learning