تُعتبر الشبكات العصبية الرسومية (GNNs) حجر الزاوية في تمثيل العلاقات المعقدة في مجموعة متنوعة من المهام متعددة الوسائط، بما في ذلك نمذجة اهتمامات المستخدمين عبر المنصات المختلفة ومحاذاة المعاني بين الأنماط المختلفة. ومع ازدياد أهمية هذه الشبكات، برزت الحاجة إلى وسائل فعّالة للدفاع ضد الهجمات الخبيثة التي تستهدفها.

في عالم واقعي يعتمد بشكل متزايد على الذكاء الاصطناعي، نجد أن الطرق الحالية للتنظيف من التأثيرات السلبية تعتبر محدودة للغاية، حيث أنها تستند إلى نطاقات معينة. وهذا يؤدي إلى مشكلات عدة، منها:
1. البيانات أحادية النطاق ليست كافية لتوفير تنوع هيكلي وموضوعي للتعلم.
2. استراتيجيات الدفاع الخاصة بالنطاق تتطلب تكاليف حسابية كبيرة لتدريبها.

للحد من هذه القيود، تم تقديم تقنية ProGAP، وهي نظام نقل للتنظيف البياني القائم على التعلم الموجه لثغرات الهجمات. يعتمد هذا النظام على استراتيجيات مبتكرة للدفاع. يتم ذلك من خلال الكشف عن الأنماط الشائعه للهجمات باستخدام كاشف مخصص للاضطرابات، مما يتيح التقاط المعلومات الهيكلية والموضوعية من الشبكات الغنية بالبيانات.

علاوة على ذلك، تم تصميم إشارات موجهة واعية بشأن الهجمات لضخ إرشادات تنظيف مستهدفة في العقد المتأثرة، مما يساهم في تكيف الكاشف المدرب مع التغيرات في البيانات السفلية دون الحاجة لتحديثات متكررة.

تشير النتائج التجريبية إلى أن تقنية ProGAP تحقق تحسينًا يتراوح بين 1% إلى 9% مقارنة بالطرق الرائدة، وتقلل من استهلاك الوقت حتى 2.2 مرة. الكود الخاص بـ ProGAP متاح على [GitHub].

ما رأيكم في هذه التقنية؟ كيف يمكن أن تؤثر على أمان أنظمتكم؟ شاركونا في التعليقات.