論文の概要: Spatially Focused Attack against Spatiotemporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2109.04608v1
- Date: Fri, 10 Sep 2021 01:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-13 13:25:01.045234
- Title: Spatially Focused Attack against Spatiotemporal Graph Neural Networks
- Title（参考訳）: 時空間グラフニューラルネットワークに対する空間集中攻撃
- Authors: Fuqiang Liu, Luis Miranda-Moreno, Lijun Sun
- Abstract要約: 深時空間グラフニューラルネットワーク(GNN)は,トラフィック予測アプリケーションにおいて大きな成功を収めている。
GNNが現実世界の予測アプリケーションに脆弱性がある場合、ハッカーは簡単に結果を操作でき、交通渋滞や都市規模の破壊を引き起こす。
- 参考スコア（独自算出の注目度）: 8.665638585791235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal forecasting plays an essential role in various applications in
intelligent transportation systems (ITS), such as route planning, navigation,
and traffic control and management. Deep Spatiotemporal graph neural networks
(GNNs), which capture both spatial and temporal patterns, have achieved great
success in traffic forecasting applications. Understanding how GNNs-based
forecasting work and the vulnerability and robustness of these models becomes
critical to real-world applications. For example, if spatiotemporal GNNs are
vulnerable in real-world traffic prediction applications, a hacker can easily
manipulate the results and cause serious traffic congestion and even a
city-scale breakdown. However, despite that recent studies have demonstrated
that deep neural networks (DNNs) are vulnerable to carefully designed
perturbations in multiple domains like objection classification and graph
representation, current adversarial works cannot be directly applied to
spatiotemporal forecasting due to the causal nature and spatiotemporal
mechanisms in forecasting models. To fill this gap, in this paper we design
Spatially Focused Attack (SFA) to break spatiotemporal GNNs by attacking a
single vertex. To achieve this, we first propose the inverse estimation to
address the causality issue; then, we apply genetic algorithms with a universal
attack method as the evaluation function to locate the weakest vertex; finally,
perturbations are generated by solving an inverse estimation-based optimization
problem. We conduct experiments on real-world traffic data and our results show
that perturbations in one vertex designed by SA can be diffused into a large
part of the graph.
- Abstract（参考訳）: 時空間予測は、ルート計画、ナビゲーション、交通制御および管理など、インテリジェント交通システム(ITS)における様々な応用において重要な役割を果たす。
空間パターンと時間パターンの両方をキャプチャする深時空間グラフニューラルネットワーク(GNN)は、トラフィック予測アプリケーションにおいて大きな成功を収めている。
gnnsベースの予測作業とこれらのモデルの脆弱性と堅牢性を理解することは、現実世界のアプリケーションにとって重要である。
例えば、時空間GNNが現実世界の交通予測アプリケーションに脆弱性がある場合、ハッカーは簡単に結果を操作でき、交通渋滞を深刻に発生させ、都市規模を縮小する。
しかし、近年の研究では、ディープニューラルネットワーク(DNN)は、客観的分類やグラフ表現といった複数の領域で慎重に設計された摂動に弱いことが示されているが、現在の敵対的作業は、予測モデルにおける因果性や時空間メカニズムによる時空間予測に直接適用することはできない。
このギャップを埋めるため,本稿では空間集中攻撃 (sfa) を設計,1つの頂点を攻撃することで時空間gnnを破る。
そこで我々はまず,この因果性問題に対処する逆推定法を提案し,その評価関数としてユニバーサルアタック法を用いた遺伝的アルゴリズムを適用し,その逆推定に基づく最適化問題を解くことによって摂動を生成する。
実世界の交通データについて実験を行い,その結果から,SAの設計した頂点の摂動がグラフの大部分に拡散可能であることを示す。
関連論文リスト
- TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data [3.268628956733623]
この研究は、新しいテンポラルグラフ物理インフォームドニューラルネットワークフレームワークであるTG-PhyNNを提示する。
TG-PhyNNは、グラフベースのモデリングにGNNのパワーを活用しながら、トレーニング中に物理的な制約を指針原理として組み込む。
以上の結果から,TG-PhyNNは従来の予測モデルよりも有意に優れていた。
TG-PhyNNは、物理プロセスがデータのダイナミクスを制御しているさまざまな領域において、より信頼性が高く正確な予測を提供するために、効果的に活用する。
論文 参考訳（メタデータ） (2024-08-29T09:41:17Z) - DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。
BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。
半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文 参考訳（メタデータ） (2024-06-04T07:24:51Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting
Models [9.885060319609831]
既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。
我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。
理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
論文 参考訳（メタデータ） (2022-10-05T02:25:10Z) - STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence
Traffic Speed Forecasting [8.596556653895028]
本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。
注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
論文 参考訳（メタデータ） (2022-10-01T05:58:22Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳（メタデータ） (2022-01-14T14:02:19Z) - CAP: Co-Adversarial Perturbation on Weights and Features for Improving
Generalization of Graph Neural Networks [59.692017490560275]
敵の訓練は、敵の攻撃に対するモデルの堅牢性を改善するために広く実証されてきた。
グラフ解析問題におけるGNNの一般化能力をどのように改善するかは、まだ不明である。
我々は、重みと特徴量の観点から共振器摂動(CAP)最適化問題を構築し、重みと特徴の損失を交互に平らにする交互対振器摂動アルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-10-28T02:28:13Z) - Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models [5.067859671505088]
最近の研究では、逆攻撃下でのグラフネットワーク(CN)の脆弱性を明らかにしている。
本稿では、GCNに基づくトラフィック予測モデルの堅牢性を調べるための新しいタスクである拡散攻撃を提案する。
提案アルゴリズムは,様々なシナリオにおける敵の攻撃タスクにおいて高い効率を示す。
論文 参考訳（メタデータ） (2021-04-19T14:57:25Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。