論文の概要: EGC2: Enhanced Graph Classification with Easy Graph Compression
- arxiv url: http://arxiv.org/abs/2107.07737v1
- Date: Fri, 16 Jul 2021 07:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 21:47:15.870113
- Title: EGC2: Enhanced Graph Classification with Easy Graph Compression
- Title（参考訳）: EGC2: グラフ圧縮によるグラフ分類の強化
- Authors: Jinyin Chen, Dunjie Zhang, Zhaoyan Ming, Mingwei Jia, and Yi Liu
- Abstract要約: グラフ圧縮を容易にする拡張グラフ分類モデルであるEGC$2$を提案する。
EGC$2$は、特徴グラフの構築と集約ノードレベルの表現の改善によって、異なるノードの機能間の関係をキャプチャする。
7つのベンチマークデータセットの実験により,提案した特徴読み出し機構とグラフ圧縮機構により,様々な基本モデルの堅牢性が向上することが示された。
- 参考スコア（独自算出の注目度）: 3.599345724913102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph classification plays a significant role in network analysis. It also
faces potential security threat like adversarial attacks. Some defense methods
may sacrifice algorithm complexity for robustness like adversarial training,
while others may sacrifice the clean example performance such as
smoothing-based defense. Most of them are suffered from high-complexity or less
transferability. To address this problem, we proposed EGC$^2$, an enhanced
graph classification model with easy graph compression. EGC$^2$ captures the
relationship between features of different nodes by constructing feature graphs
and improving aggregate node-level representation. To achieve lower complexity
defense applied to various graph classification models, EGC$^2$ utilizes a
centrality-based edge importance index to compress graphs, filtering out
trivial structures and even adversarial perturbations of the input graphs, thus
improves its robustness. Experiments on seven benchmark datasets demonstrate
that the proposed feature read-out and graph compression mechanisms enhance the
robustness of various basic models, thus achieving the state-of-the-art
performance of accuracy and robustness in the threat of different adversarial
attacks.
- Abstract（参考訳）: グラフ分類はネットワーク分析において重要な役割を果たす。
また、敵攻撃のような潜在的なセキュリティ上の脅威に直面している。
いくつかの防御方法は、敵の訓練のような堅牢性のためにアルゴリズムの複雑さを犠牲にし、一方、スムーズな防御のようなクリーンな例のパフォーマンスを犠牲にする。
それらのほとんどは、高い複雑さまたは少ない転送能力に苦しめられている。
この問題に対処するため,簡単なグラフ圧縮を備えた拡張グラフ分類モデルであるEGC$^2$を提案した。
EGC$^2$は、特徴グラフの構築と集約ノードレベルの表現の改善によって、異なるノードの特徴間の関係をキャプチャする。
様々なグラフ分類モデルに適用されたより低い複雑性の防御を実現するため、EGC$^2$は、中央性に基づくエッジ重要度指数を用いてグラフを圧縮し、自明な構造をフィルタリングし、入力グラフの逆摂動さえも除去する。
7つのベンチマークデータセットの実験により,提案した特徴読み出し機構とグラフ圧縮機構により,様々な基本モデルの堅牢性が向上し,異なる敵攻撃の脅威に対する精度と堅牢性の最先端性能が達成された。
関連論文リスト
- RobGC: Towards Robust Graph Condensation [61.259453496191696]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。
しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。
本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
論文 参考訳（メタデータ） (2024-06-19T04:14:57Z) - 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) - Similarity Preserving Adversarial Graph Contrastive Learning [5.671825576834061]
類似性を保存する逆数グラフの対比学習フレームワークを提案する。
本稿では,複数の下流タスクにおいてSP-AGCLが競合性能を発揮することを示す。
論文 参考訳（メタデータ） (2023-06-24T04:02:50Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳（メタデータ） (2023-06-05T07:53:52Z) - 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) - Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。
我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
論文 参考訳（メタデータ） (2022-08-06T14:12:47Z) - Reliable Representations Make A Stronger Defender: Unsupervised
Structure Refinement for Robust GNN [36.045702771828736]
グラフニューラルネットワーク(GNN)は、グラフデータ上でのタスクの繁栄に成功している。
近年の研究では、グラフ構造を悪質に修正することで、攻撃者がGNNの性能を壊滅的に低下させることができることが示されている。
グラフ構造を最適化するための教師なしパイプラインSTABLEを提案する。
論文 参考訳（メタデータ） (2022-06-30T10:02:32Z) - Exploring High-Order Structure for Robust Graph Structure Learning [33.62223306095631]
グラフニューラルネットワーク(GNN)は、敵の攻撃に対して脆弱である。すなわち、知覚不能な構造摂動は、GNNを騙して誤った予測をすることができる。
本稿では,特徴の滑らかさの観点から,グラフに対する逆攻撃を解析する。
本稿では,高次構造情報をグラフ構造学習に組み込む新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-22T07:03:08Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - GraphAttacker: A General Multi-Task GraphAttack Framework [4.218118583619758]
グラフニューラルネットワーク(GNN)は多くの実世界のアプリケーションでグラフ解析タスクにうまく活用されている。
攻撃者が生成した敵のサンプルは ほとんど知覚不能な摂動で 優れた攻撃性能を達成しました
本稿では,グラフ解析タスクに応じて構造と攻撃戦略を柔軟に調整可能な,新しい汎用グラフ攻撃フレームワークであるgraphattackerを提案する。
論文 参考訳（メタデータ） (2021-01-18T03:06:41Z) - Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。
近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。
本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
論文 参考訳（メタデータ） (2020-05-20T17:07:05Z)
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。