该项目整理了图结构数据对抗攻击和防御相关论文，涵盖节点分类、图分类、链接预测等任务。论文按上传日期降序排列，便于了解最新进展。项目还包含一篇综述文章，回顾110多篇相关研究。对图对抗学习研究者提供了系统性的文献资源。

本项目提出说服性对抗提示(PAP)方法,系统应用40种说服技巧攻击大语言模型。研究显示PAP对GPT-4等先进模型有92%成功率,且更强大的模型反而更易受影响。项目还探讨了防御策略,揭示人性化交互对AI安全的挑战,为增强大语言模型安全性提供新思路。

该项目是一个图对抗学习综合资源库，收录2017年至今的攻击、防御和鲁棒性认证相关论文。资源按字母、年份和会议分类，并提供代码实现汇总。内容涵盖图神经网络攻击方法、防御策略和稳定性研究，为图对抗学习研究提供重要参考。