图学习是当前研究的焦点。深度图学习在商业和科学领域都取得了显著的进展，从金融和电子商务，到药物和先进材料的发现。尽管取得了这些进展，但如何确保各种深度图学习算法以对社会负责的方式运行并满足监管要求成为一个新兴问题。腾讯等10家机构20位作者《可信赖图学习》综述论文，54页pdf全面阐述图学习可靠性、可解释性与隐私保护，非常值得关注！

PDF链接：https://arxiv.org/pdf/2205.10014.pdf

深度图学习在商业和科学领域都取得了显著的进展，从金融和电子商务，到药物和先进材料的发现。尽管取得了这些进展，但如何确保各种深度图学习算法以对社会负责的方式运行并满足监管要求成为一个新兴问题，特别是在风险敏感的领域。可信图学习(Trusted graph learning, TwGL)旨在从技术角度解决上述问题。与传统的图学习研究主要关注模型性能不同，TwGL考虑了图学习框架的可靠性和安全性，包括但不限于鲁棒性、可解释性和隐私性。在这项综述中，我们从可靠性、可解释性和隐私保护三个维度，全面回顾了TwGL领域的最新领先方法。我们给出了现有工作的一般分类，并对每个类别的典型工作进行了回顾。为了对TwGL的研究提供更深入的见解，我们提供了一个统一的视角来审视以往的工作，并建立它们之间的联系。本文还指出了TwGL未来发展中有待解决的一些重要的开放性问题。