論文の概要: Adversarial Robustness of Probabilistic Network Embedding for Link
Prediction
- arxiv url: http://arxiv.org/abs/2107.01936v1
- Date: Mon, 5 Jul 2021 11:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 14:42:54.993415
- Title: Adversarial Robustness of Probabilistic Network Embedding for Link
Prediction
- Title（参考訳）: リンク予測のための確率的ネットワーク埋め込みの逆ロバスト性
- Authors: Xi Chen, Bo Kang, Jefrey Lijffijt, Tijl De Bie
- Abstract要約: リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。
ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。
我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
- 参考スコア（独自算出の注目度）: 24.335469995826244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In today's networked society, many real-world problems can be formalized as
predicting links in networks, such as Facebook friendship suggestions,
e-commerce recommendations, and the prediction of scientific collaborations in
citation networks. Increasingly often, link prediction problem is tackled by
means of network embedding methods, owing to their state-of-the-art
performance. However, these methods lack transparency when compared to simpler
baselines, and as a result their robustness against adversarial attacks is a
possible point of concern: could one or a few small adversarial modifications
to the network have a large impact on the link prediction performance when
using a network embedding model? Prior research has already investigated
adversarial robustness for network embedding models, focused on classification
at the node and graph level. Robustness with respect to the link prediction
downstream task, on the other hand, has been explored much less.
This paper contributes to filling this gap, by studying adversarial
robustness of Conditional Network Embedding (CNE), a state-of-the-art
probabilistic network embedding model, for link prediction. More specifically,
given CNE and a network, we measure the sensitivity of the link predictions of
the model to small adversarial perturbations of the network, namely changes of
the link status of a node pair. Thus, our approach allows one to identify the
links and non-links in the network that are most vulnerable to such
perturbations, for further investigation by an analyst. We analyze the
characteristics of the most and least sensitive perturbations, and empirically
confirm that our approach not only succeeds in identifying the most vulnerable
links and non-links, but also that it does so in a time-efficient manner thanks
to an effective approximation.
- Abstract（参考訳）: 今日のネットワーク社会では、多くの現実世界の問題は、Facebookの友情提案やeコマース推奨、引用ネットワークにおける科学的コラボレーションの予測など、ネットワーク内のリンクを予測するものとして形式化することができる。
リンク予測問題は、その最先端のパフォーマンスのために、ネットワーク埋め込みメソッドによって取り組まれることが多い。
しかし、これらの手法は単純なベースラインに比べて透明性に欠けており、結果として敵攻撃に対する堅牢性が懸念される可能性がある。
先行研究では、ノードとグラフレベルでの分類に焦点を当てたネットワーク埋め込みモデルの逆ロバスト性がすでに研究されている。
一方,リンク予測のダウンストリームタスクに対するロバスト性は,はるかに低く検討されている。
本稿では,現状の確率的ネットワーク埋め込みモデルであるConditional Network Embedding (CNE) の逆堅牢性をリンク予測に適用することにより,このギャップを埋めることに貢献した。
より具体的には、CNEとネットワークが与えられた場合、我々はモデルのリンク予測の感度を、ネットワークの小さな対角摂動、すなわちノードペアのリンク状態の変化に対して測定する。
したがって,このような摂動に対して最も脆弱なネットワーク内のリンクや非リンクを識別し,分析者によるさらなる調査を行うことができる。
我々は,最も敏感な摂動特性を解析し,本手法が最も脆弱なリンクと非リンクを識別するだけでなく,効果的な近似により時間効率の良い方法で行われることを実証的に確認した。
関連論文リスト
- Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - An Approach for Link Prediction in Directed Complex Networks based on
Asymmetric Similarity-Popularity [0.0]
本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。
これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。
アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
論文 参考訳（メタデータ） (2022-07-15T11:03:25Z) - A Learning Convolutional Neural Network Approach for Network Robustness
Prediction [13.742495880357493]
ネットワークの堅牢性は、様々な社会的・産業的ネットワークにとって再び悪意ある攻撃にとって重要である。
本稿では,畳み込みニューラルネットワーク(LFR-CNN)を用いた学習特徴表現に基づくネットワークロバスト性予測の改良手法を提案する。
このスキームでは、高次元のネットワークデータを低次元の表現に圧縮し、CNNに渡してロバストネス予測を行う。
論文 参考訳（メタデータ） (2022-03-20T13:45:55Z) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - 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) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z) - Heuristics for Link Prediction in Multiplex Networks [15.637077180633735]
マルチプレックスネットワークリンク予測のための新しいフレームワークと3つのファミリーを提案する。
提案手法は, 接続型相関構造のリッチさにより性能が向上し, 単一の接続型を持つ通常のネットワークにおいて, ベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2020-04-09T17:36:18Z) - NEW: A Generic Learning Model for Tie Strength Prediction in Networks [5.834475036139535]
タイの強度予測(タイの強さ予測、英: Tie strength prediction)は、ネットワークに出現する接続パターンの多様性を探索する上で不可欠である。
我々はNEW(Neighborhood Estimating Weight)と呼ばれる新しい計算フレームワークを提案する。
NEWはネットワークの基本構造情報によって純粋に駆動され、多様な種類のネットワークに適応する柔軟性を持つ。
論文 参考訳（メタデータ） (2020-01-15T13:02:00Z)
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。