論文の概要: Deperturbation of Online Social Networks via Bayesian Label Transition
- arxiv url: http://arxiv.org/abs/2010.14121v3
- Date: Tue, 18 Jan 2022 23:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 13:16:40.831905
- Title: Deperturbation of Online Social Networks via Bayesian Label Transition
- Title（参考訳）: ベイジアンラベル遷移によるオンラインソーシャルネットワークの破壊
- Authors: Jun Zhuang, Mohammad Al Hasan
- Abstract要約: オンラインソーシャルネットワーク(OSN)は、ユーザの活動と関心に基づいて、異なるカテゴリに分類する。
少数のユーザ(いわゆる摂動器)はOSN上でランダムな活動を行うことができ、GCNベースのノード分類タスクの性能を著しく低下させる。
我々は,ラベル遷移の概念を用いたGCNディフェンスモデル,すなわちGraphLTを開発した。
- 参考スコア（独自算出の注目度）: 5.037076816350975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online social networks (OSNs) classify users into different categories based
on their online activities and interests, a task which is referred as a node
classification task. Such a task can be solved effectively using Graph
Convolutional Networks (GCNs). However, a small number of users, so-called
perturbators, may perform random activities on an OSN, which significantly
deteriorate the performance of a GCN-based node classification task. Existing
works in this direction defend GCNs either by adversarial training or by
identifying the attacker nodes followed by their removal. However, both of
these approaches require that the attack patterns or attacker nodes be
identified first, which is difficult in the scenario when the number of
perturbator nodes is very small. In this work, we develop a GCN defense model,
namely GraphLT, which uses the concept of label transition. GraphLT assumes
that perturbators' random activities deteriorate GCN's performance. To overcome
this issue, GraphLT subsequently uses a novel Bayesian label transition model,
which takes GCN's predicted labels and applies label transitions by
Gibbs-sampling-based inference and thus repairs GCN's prediction to achieve
better node classification. Extensive experiments on seven benchmark datasets
show that GraphLT considerably enhances the performance of the node classifier
in an unperturbed environment; furthermore, it validates that GraphLT can
successfully repair a GCN-based node classifier with superior performance than
several competing methods.
- Abstract（参考訳）: オンラインソーシャルネットワーク(OSN)は、ユーザを、それぞれのオンライン活動と関心に基づいて異なるカテゴリに分類する。
このようなタスクは、Graph Convolutional Networks(GCN)を使用して効果的に解決できる。
しかし、少数のユーザ(いわゆる摂動器)はOSN上でランダムな活動を行うことができ、GCNベースのノード分類タスクの性能を著しく低下させる。
この方向の既存の作業は、敵のトレーニングか、攻撃ノードを特定して削除することでGCNを防御する。
しかし、どちらのアプローチも攻撃パターンや攻撃ノードを最初に識別する必要があるため、摂動ノードの数が非常に少ない場合のシナリオでは困難である。
本研究では,ラベル遷移の概念を用いたGCNディフェンスモデル,すなわちGraphLTを開発する。
GraphLTは摂動子のランダムな活動がGCNのパフォーマンスを低下させると仮定する。
この問題を解決するため、GraphLTはその後、GCNの予測ラベルを取り込み、Gibs-samplingベースの推論によってラベル遷移を適用し、GCNの予測を修復してノード分類を改善する新しいベイズラベル遷移モデルを使用する。
7つのベンチマークデータセットに関する広範囲な実験により、graphltは不安定な環境でのノード分類器の性能を大幅に向上させ、さらに、いくつかの競合する方法よりも優れたパフォーマンスでgcnベースのノード分類器を正常に修復できることが確認された。
関連論文リスト
- Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs [9.437128738619563]
本稿では,トポロジ駆動ラベル伝搬,ベイズラベル遷移,ランダムウォークによるリンク解析を組み合わせた新しいラベル推論フレームワークTraTopoを提案する。
TraTopoは、ランダムウォークサンプリング(特にリンク予測のために孤立ノードをターゲットとする)を活用することで、スパースグラフの先駆者を大幅に上回っている。
経験的評価では、ノード分類におけるTraTopoの優位性が強調され、現在のGCNモデルよりも精度が高い。
論文 参考訳（メタデータ） (2024-06-05T09:40:08Z) - Defending Graph Convolutional Networks against Dynamic Graph
Perturbations via Bayesian Self-supervision [5.037076816350975]
Graph Convolutional Networks (GCNs) はノード分類タスクにおいて素晴らしい成果を上げる。
GCNはラベルスカースな動的グラフに対する敵攻撃に対して脆弱である。
本稿では,この問題に対処する新しいベイズ自己スーパービジョンモデル,すなわちGraphSSを提案する。
論文 参考訳（メタデータ） (2022-03-07T22:57:43Z) - Label-GCN: An Effective Method for Adding Label Propagation to Graph
Convolutional Networks [1.8352113484137624]
グラフ畳み込みネットワーク(GCN)の第1層の変更は、近隣ノード間でラベル情報を効果的に伝播するために利用できることを示す。
これは、GCNのトレーニングフェーズ中にラベル機能のためのセルフループを選択的に除去する。
推論フェーズ中に利用可能なラベルの数に応じて、この戦略がモデルパフォーマンスの大幅な改善につながる可能性があるいくつかの実験を通して示します。
論文 参考訳（メタデータ） (2021-04-05T21:02:48Z) - On the Equivalence of Decoupled Graph Convolution Network and Label
Propagation [60.34028546202372]
いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。
有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。
本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
論文 参考訳（メタデータ） (2020-10-23T13:57:39Z) - Graph Convolutional Neural Networks with Node Transition
Probability-based Message Passing and DropNode Regularization [32.260055351563324]
最近、グラフ構造化データを扱う能力のため、グラフ畳み込みニューラルネットワーク(GCNN)が注目されている。
本研究は,ノード遷移確率に基づくメッセージパッシングプロセスを改善するための新しい手法を提案する。
また,DropNodeと呼ばれる新しい正規化手法を提案する。
論文 参考訳（メタデータ） (2020-08-28T10:51:03Z) - Investigating and Mitigating Degree-Related Biases in Graph
Convolutional Networks [62.8504260693664]
グラフ畳み込みネットワーク(GCN)は、グラフ上の半教師付き学習タスクに対して有望な結果を示す。
本稿では,ノード次数分布に関するGCNを解析する。
本稿では,GCNの次数バイアスを緩和する自己監督型DegreeSpecific GCN(SL-DSGC)を開発した。
論文 参考訳（メタデータ） (2020-06-28T16:26:47Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳（メタデータ） (2020-06-18T00:55:10Z) - Understanding and Resolving Performance Degradation in Graph
Convolutional Networks [105.14867349802898]
グラフ畳み込みネットワーク(GCN)は複数のレイヤを積み重ね、グラフ構造化データ上でノード表現を学習するためのPROPとTRANを実行する。
GCNはモデルが深くなるとパフォーマンスが低下する傾向がある。
本稿では,TRANやPROPのみを積み重ねることによるGCNの性能劣化について実験的に検討する。
論文 参考訳（メタデータ） (2020-06-12T12:12:12Z) - AN-GCN: An Anonymous Graph Convolutional Network Defense Against
Edge-Perturbing Attack [53.06334363586119]
近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。
まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。
これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
論文 参考訳（メタデータ） (2020-05-06T08:15:24Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z)
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。