論文の概要: Bayesian Inductive Learner for Graph Resiliency under uncertainty
- arxiv url: http://arxiv.org/abs/2012.15733v1
- Date: Sat, 26 Dec 2020 07:22:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 03:18:00.704012
- Title: Bayesian Inductive Learner for Graph Resiliency under uncertainty
- Title（参考訳）: 不確実性下におけるグラフレジリエンスのためのベイズ誘導学習
- Authors: Sai Munikoti and Balasubramaniam Natarajan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.9254132307399257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the quest to improve efficiency, interdependence and complexity are
becoming defining characteristics of modern engineered systems. With increasing
vulnerability to cascading failures, it is imperative to understand and manage
the risk and uncertainty associated with such engineered systems. Graph theory
is a widely used framework for modeling interdependent systems and to evaluate
their resilience to disruptions. 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. Additionally, uncertainty associated with the
underlying graphical model further limits the potential value of these
traditional approaches. To overcome these challenges, we propose a Bayesian
graph neural network-based framework for quickly identifying critical nodes in
a large graph. while systematically incorporating uncertainties. Instead of
utilizing the observed graph for training the model, a MAP estimate of the
graph is computed based on the observed topology, and node target labels.
Further, a Monte-Carlo (MC) dropout algorithm is incorporated to account for
the epistemic uncertainty. The fidelity and the gain in computational
complexity offered by the Bayesian framework are illustrated using simulation
results.
- Abstract（参考訳）: 効率性向上を追求する中で、相互依存と複雑性は現代のエンジニアリングシステムの特性を定義している。
障害のカスケードに対する脆弱性の増加に伴い、そのようなエンジニアシステムに関連するリスクと不確実性を理解し、管理することが不可欠である。
グラフ理論は相互依存系をモデル化し、破壊に対する回復力を評価するため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。
さらに、基礎となるグラフィカルモデルに関連する不確実性は、これらの従来のアプローチの潜在的な価値をさらに制限します。
これらの課題を克服するために,大規模グラフ内の臨界ノードを迅速に識別するベイズグラフニューラルネットワークベースのフレームワークを提案する。
体系的に不確実性を取り入れています
モデルをトレーニングするために観測グラフを利用する代わりに、観測されたトポロジーとノードターゲットラベルに基づいてグラフの地図推定を算出する。
さらに、認識の不確実性を考慮したモンテカルロ(mc)ドロップアウトアルゴリズムが組み込まれている。
ベイズフレームワークが提供する計算複雑性の忠実性と利得をシミュレーション結果を用いて示す。
関連論文リスト
- Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。
本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。
我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
論文 参考訳（メタデータ） (2024-07-09T10:42:19Z) - Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。
具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。
このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
論文 参考訳（メタデータ） (2023-06-14T02:45:14Z) - 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) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。
提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文 参考訳（メタデータ） (2022-05-26T17:02:43Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - Graph neural network based approximation of Node Resiliency in complex
networks [1.629817296011086]
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。
論文 参考訳（メタデータ） (2020-12-26T05:37:18Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。