論文の概要: Graph neural network based approximation of Node Resiliency in complex networks

• arxiv url: http://arxiv.org/abs/2012.15725v1
• Date: Sat, 26 Dec 2020 05:37:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 03:39:24.965880
• Title: Graph neural network based approximation of Node Resiliency in complex networks
• Title（参考訳）: グラフニューラルネットワークを用いた複雑なネットワークにおけるノードレジリエンスの近似
• Authors: Sai Munikoti, Laya Das and Balasubramaniam Natarajan
• Abstract要約: 大規模複雑ネットワークにおけるノードレジリエンスを近似するためのグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。 提案フレームワークは、ノードの小さな代表部分集合上のノードランクを学習するGNNモデルを定義する。 このフレームワークのスケーラビリティは,実世界のグラフにおけるノードランクの予測を通じて実証される。
• 参考スコア（独自算出の注目度）: 1.629817296011086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emphasis on optimal operations and efficiency has led to increased complexity in engineered systems. This in turn increases the vulnerability of the system. However, with the increasing frequency of extreme events, resilience has now become an important consideration. Resilience quantifies the ability of the system to absorb and recover from extreme conditions. Graph theory is a widely used framework for modeling complex engineered systems to evaluate their resilience to attacks. Most existing methods in resilience analysis are based on an iterative approach that explores each node/link of a graph. These methods suffer from high computational complexity and the resulting analysis is network specific. To address these challenges, we propose a graph neural network (GNN) based framework for approximating node resilience in large complex networks. The proposed framework defines a GNN model that learns the node rank on a small representative subset of nodes. Then, the trained model can be employed to predict the ranks of unseen nodes in similar types of graphs. The scalability of the framework is demonstrated through the prediction of node ranks in real-world graphs. The proposed approach is accurate in approximating the node resilience scores and offers a significant computational advantage over conventional approaches.
• Abstract（参考訳）: 最適操作と効率の重視により、エンジニアリングシステムの複雑さが増大した。 これによりシステムの脆弱性が増大する。 しかし、極端な事象の発生頻度の増加に伴い、レジリエンスは重要な考慮事項となっている。 レジリエンスは、極端な条件から吸収および回復するシステムの能力を定量化する。 グラフ理論は、攻撃に対するレジリエンスを評価するために複雑なエンジニアリングシステムのモデリングに広く使われているフレームワークである。 レジリエンス解析の既存の手法のほとんどは、グラフの各ノード/リンクを探索する反復的アプローチに基づいている。 これらの手法は計算量が高く、解析結果はネットワーク固有である。 これらの課題に対処するために,大規模複雑ネットワークにおけるノードレジリエンスを近似するためのグラフニューラルネットワーク(GNN)ベースのフレームワークを提案する。 提案フレームワークは、ノードの小さな代表部分集合上のノードランクを学習するGNNモデルを定義する。 次に、トレーニングされたモデルを用いて、類似したグラフの型における見えないノードのランクを予測する。 このフレームワークのスケーラビリティは,実世界のグラフにおけるノードランクの予測を通じて実証される。 提案手法は, ノードのレジリエンススコアを近似する精度が高く, 従来の手法よりも計算能力に優れる。

関連論文リスト

• Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
  Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
  論文  参考訳（メタデータ） (2024-11-19T08:32:14Z)
• Sparse Decomposition of Graph Neural Networks [20.768412002413843]
  本稿では,集約中に含まれるノード数を削減する手法を提案する。 線形変換された特徴の重み付け和を用いてノード表現の近似を学習し、スパース分解によりこれを実現できる。 提案手法は推論高速化のために設計された他のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-25T17:52:16Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
  グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。 本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。 このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2021-11-08T20:56:37Z)
• Bayesian Inductive Learner for Graph Resiliency under uncertainty [1.9254132307399257]
  大規模グラフにおける臨界ノードを特定するためのベイズグラフニューラルネットワークに基づくフレームワークを提案する。 フレームワークが提供する計算複雑性の忠実さと向上について説明する。
  論文  参考訳（メタデータ） (2020-12-26T07:22:29Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。