tbohne / sml20 Goto Github PK

• could improve the first and second chapter of this paper
• the introduction is very short and doesn’t provide enough information to make it understandable what the main problem and motivation is
• a part of the text of the second chapter, especially the complete “motivation” section of chapter 2 could be integrated into the introduction
• in the second section it could be explained more clearly how GNNs work and what they do
• currently the abstract of this paper is missing and should be added
• the list of challenges in 4.2 has the label of a figure but is no figure

• occurs in several versions..

'what makes perturbations harmful'

They consider the case of binary node attributes and perturbations that are L 0 -bounded.

Es wäre gut, insbesondere folgende Aspekte noch etwas näher zu betrachten:

• Abstract fehlt, Introduction ist recht kurz - hier ggf. über Überblick/Motivation nachdenken
• Bei den "Paragraph-Umgebungen" (\paragraph{}) ist es durchaus erlaubt, dass der nachfolgende Text in der gleichen Zeile beginnt. Gut ist hier beispielsweise folgendes: \paragraph{XYZ-Paragraph.} asdf
• "Figure 8: Major challenges to be solved." ???
• Lassen sich die Conclusions noch stärker in gegliederte Textabschnitte teilen (Übersichtlichkeit)?
• Literaturangaben - sind diese vollständig?
  • teilweise Teile von Quellenangaben fehlten, bitte prüfen Sie hier noch einmal sorgfältig, ob hier alles vollständig ist

"Robustness Certification for Graph Structure Perturbations"

instead of

"Robustness of GCNs with respect to perturbations of the graph structure"

--> for the other one as well

Feedback:
"Bitte ggf. über die Struktur/roter Faden in den Abschnitten 3 & 4 nachdenken, und diese ggf. "stärken"."

• check for each paper whether there is an actual journal reference (besides arxiv)
• check style / order / names etc.

They propose three categories to be considered in the attack model. Those categories, that are discussed in detail in section ??, [...]

Feedback:
"gute Übersicht, allerdings genauer, was hier noch alles kommt - und (teilweise) auch wie es gemacht wird."

'There are numerous reports of convincing performance of GNNs in practical applications (e.g. (add sources))'

• write some intro similarly to 2020 paper

To the best of their knowledge, the Zügner 2019 paper, the Bojchevski and the Zügner 2020 paper are the only existing works to study certified robustness of GNNs for node classification.

• Wang 2020 Paper

• bit more details - how to use GNNs - what are they doing?

• check literature references of 2020 papers
• include every paper that is about certifiable / provable robustness of GNNs

Think about all the 'the authors...' formulations; replace some by passive ...

Feedback:
"Ich werde auch auf Plagiate im Text prüfen. Bei wörtlichen Übernahmen bitte genau zitieren. Bei Ihrer Version gibt es momentan sehr viele Textstellen, die fast wortwörtlich aus den entsprechenden Papers übernommen sind - ohne Referenz bzw. ohne ganz explizite Kennzeichnung; bei wörtlichen Übernahmen ist auch eine explizite Kennzeichnung erforderlich - alles andere wäre nicht zulässig. Im folgenden ein paar Beispiele, bei denen manchmal nur ein Wort im Vergleich zum Original-Text abweicht:"

• these tasks require dealing with non-Euclidean graph data that contains rich relational information between elements and cannot be well handled by traditional deep learning models
• By adding an imperceptibly small vector whose elements are equal to the sign of the elements of
  the gradient of the cost function with respect to the input, they can change GoogleNet’s classification of the image
• Moreover, to remedy the propagation of adversarial attacks in GCNs, a variance-based attention mechanism is proposed, i.e. assigning different weights to node neighborhoods according to their variances when performing convolutions.
• If a node has been certified with the method, it is guaranteed to be robust under any possible perturbation given the attack model.

• briefly explain what GCNs are and how they specialize general GNNs