論文の概要: A Robust graph attention network with dynamic adjusted Graph

• arxiv url: http://arxiv.org/abs/2009.13038v3
• Date: Thu, 4 Aug 2022 07:59:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 21:07:44.800628
• Title: A Robust graph attention network with dynamic adjusted Graph
• Title（参考訳）: 動的調整グラフを用いたロバストグラフ注意ネットワーク
• Authors: Xianchen Zhou, Yaoyun Zeng, Hongxia Wang
• Abstract要約: グラフ注意ネットワーク(GAT)は、グラフデータを扱うために有用なディープラーニングモデルである。 近年の研究では、古典的なGATは敵の攻撃に弱いことが示されている。 本稿では,アテンション機構の改訂に基づき,ロバストGATを用いてGATのロバスト性を改善することを提案する。
• 参考スコア（独自算出の注目度）: 10.018618900018431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Attention Networks(GATs) are useful deep learning models to deal with the graph data. However, recent works show that the classical GAT is vulnerable to adversarial attacks. It degrades dramatically with slight perturbations. Therefore, how to enhance the robustness of GAT is a critical problem. Robust GAT(RoGAT) is proposed in this paper to improve the robustness of GAT based on the revision of the attention mechanism. Different from the original GAT, which uses the attention mechanism for different edges but is still sensitive to the perturbation, RoGAT adds an extra dynamic attention score progressively and improves the robustness. Firstly, RoGAT revises the edges weight based on the smoothness assumption which is quite common for ordinary graphs. Secondly, RoGAT further revises the features to suppress features' noise. Then, an extra attention score is generated by the dynamic edge's weight and can be used to reduce the impact of adversarial attacks. Different experiments against targeted and untargeted attacks on citation data on citation data demonstrate that RoGAT outperforms most of the recent defensive methods.
• Abstract（参考訳）: グラフ注意ネットワーク(GAT)は、グラフデータを扱うために有用なディープラーニングモデルである。 しかし、近年の研究では、古典的なGATは敵の攻撃に弱いことが示されている。 わずかな摂動で劇的に劣化する。 したがって、GATの堅牢性を高める方法は重要な問題である。 本稿では,注意機構の改訂に基づき,gatのロバスト性を向上させるため,ロバストgat(rogat)を提案する。 異なるエッジにアテンション機構を使用しているが、摂動に敏感なオリジナルのGATとは異なり、RoGATは徐々にダイナミックアテンションスコアを追加し、ロバスト性を向上させる。 まず、RoGAT は通常のグラフによく見られる滑らかさの仮定に基づいてエッジの重みを補正する。 次に、RoGATは機能のノイズを抑制する機能をさらに改訂する。 そして、ダイナミックエッジの重みによって追加の注意スコアが生成され、敵攻撃の影響を低減するために使用できる。 引用データに基づく引用データに対する標的および未目標攻撃に対する異なる実験は、RoGATが最近の防御方法のほとんどより優れていることを示す。

関連論文リスト

• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• Sparse but Strong: Crafting Adversarially Robust Graph Lottery Tickets [3.325501850627077]
  Graph Lottery Tickets(GLT)は、その密度の高いものと比較して、推論レイテンシと計算フットプリントを大幅に削減する。 これらの利点にも拘わらず、敵構造摂動に対するそれらの性能はいまだに完全に検討されている。 本稿では,隣接行列とGNN重みを具現化する,逆向きに頑健なグラフスペーシフィケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T17:52:46Z)
• Are GATs Out of Balance? [73.2500577189791]
  本稿では,ノード近傍のアグリゲーションをパラメータ化注意係数で重み付けするグラフ注意ネットワーク(GAT)について検討する。 我々の主定理は、注意機構を持つ正の同次モデルの学習力学を研究するための足掛かりとなる。
  論文  参考訳（メタデータ） (2023-10-11T06:53:05Z)
• Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
  グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。 本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。 最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
  論文  参考訳（メタデータ） (2023-08-29T20:14:42Z)
• EDoG: Adversarial Edge Detection For Graph Neural Networks [17.969573886307906]
  グラフニューラルネットワーク(GNN)は、バイオインフォマティクス、薬物設計、ソーシャルネットワークといった様々なタスクに広く応用されている。 近年の研究では、GNNは、微妙な摂動を加えることでノードやサブグラフの分類予測を誤認することを目的とした敵攻撃に弱いことが示されている。 本稿では,グラフ生成に基づく攻撃戦略の知識を必要とせず,汎用対向エッジ検出パイプラインEDoGを提案する。
  論文  参考訳（メタデータ） (2022-12-27T20:42:36Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• How Attentive are Graph Attention Networks? [16.414807719524084]
  グラフ注意ネットワーク(GAT)は、グラフを用いた表現学習のための最先端アーキテクチャであると考えられている。 本稿では,クエリノード上でのノードのランク付けが無条件である場合,GATは制限された種類の注意しか処理できないことを示す。 我々は、この制限された注意を静的な注意と定義し、より表現力のあるダイナミックな注意と区別する。
  論文  参考訳（メタデータ） (2021-05-30T10:17:58Z)
• Adversarial Attack on Large Scale Graph [58.741365277995044]
  近年の研究では、グラフニューラルネットワーク(GNN)は堅牢性の欠如により摂動に弱いことが示されている。 現在、GNN攻撃に関するほとんどの研究は、主に攻撃を誘導し、優れたパフォーマンスを達成するために勾配情報を使用している。 主な理由は、攻撃にグラフ全体を使わなければならないため、データスケールが大きくなるにつれて、時間と空間の複雑さが増大するからです。 本稿では,グラフデータに対する敵攻撃の影響を測定するために,DAC(Degree Assortativity Change)という実用的な指標を提案する。
  論文  参考訳（メタデータ） (2020-09-08T02:17:55Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• DefenseVGAE: Defending against Adversarial Attacks on Graph Data via a Variational Graph Autoencoder [22.754141951413786]
  グラフニューラルネットワーク(GNN)は、グラフデータ上のタスクに対して顕著なパフォーマンスを達成する。 近年の研究では、敵対的な構造的摂動に非常に弱いことが示されており、その結果は信頼できない。 本稿では,変分グラフオートエンコーダ(VGAE)を利用した新しいフレームワークであるDefenseVGAEを提案する。
  論文  参考訳（メタデータ） (2020-06-16T03:30:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。