Fugu-MT 論文翻訳(概要): Graph Robustness Benchmark: Benchmarking the Adversarial Robustness of Graph Machine Learning

論文の概要: Graph Robustness Benchmark: Benchmarking the Adversarial Robustness of Graph Machine Learning

arxiv url: http://arxiv.org/abs/2111.04314v1
Date: Mon, 8 Nov 2021 07:55:13 GMT
ステータス: 処理完了
システム内更新日: 2021-11-09 14:53:55.128034
Title: Graph Robustness Benchmark: Benchmarking the Adversarial Robustness of Graph Machine Learning
Title（参考訳）: グラフロバストネスベンチマーク:グラフ機械学習の逆ロバストネスのベンチマーク
Authors: Qinkai Zheng, Xu Zou, Yuxiao Dong, Yukuo Cen, Da Yin, Jiarong Xu, Yang Yang, Jie Tang
Abstract要約: グラフに対する敵対的な攻撃は、グラフ機械学習(GML)モデルの堅牢性にとって大きな脅威となっている。グラフロバストネスベンチマーク(GRB)を用いて,GMLモデルの対向ロバスト性に対する拡張性,統一性,モジュール性,再現性を備えた評価を行う。
参考スコア（独自算出の注目度）: 24.500868045285287
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial attacks on graphs have posed a major threat to the robustness of graph machine learning (GML) models. Naturally, there is an ever-escalating arms race between attackers and defenders. However, the strategies behind both sides are often not fairly compared under the same and realistic conditions. To bridge this gap, we present the Graph Robustness Benchmark (GRB) with the goal of providing a scalable, unified, modular, and reproducible evaluation for the adversarial robustness of GML models. GRB standardizes the process of attacks and defenses by 1) developing scalable and diverse datasets, 2) modularizing the attack and defense implementations, and 3) unifying the evaluation protocol in refined scenarios. By leveraging the GRB pipeline, the end-users can focus on the development of robust GML models with automated data processing and experimental evaluations. To support open and reproducible research on graph adversarial learning, GRB also hosts public leaderboards across different scenarios. As a starting point, we conduct extensive experiments to benchmark baseline techniques. GRB is open-source and welcomes contributions from the community. Datasets, codes, leaderboards are available at https://cogdl.ai/grb/home.
Abstract（参考訳）: グラフに対する敵対的攻撃は、グラフ機械学習(gml)モデルの堅牢性に対する大きな脅威となっている。当然、アタッカーとディフェンダーの間には、常にエスカレートする武器競争がある。しかし、両陣営の戦略は、しばしば同一かつ現実的な条件下では十分に比較されない。このギャップを埋めるため,我々はgmlモデルの逆ロバスト性に対するスケーラブルで統一性,モジュール性,再現性を備えた評価を目標として,グラフロバストネスベンチマーク(grb)を提案する。 GRBは攻撃と防御のプロセスを標準化する 1)スケーラブルで多様なデータセットの開発 2 攻撃及び防御の実施のモジュール化、及び 3) 評価プロトコルを洗練したシナリオで統一する。 GRBパイプラインを活用することで、エンドユーザは、自動データ処理と実験的評価を備えた堅牢なGMLモデルの開発に集中することができる。グラフ敵対学習に関するオープンで再現可能な研究をサポートするため、GRBはさまざまなシナリオにわたる公開リーダボードも提供している。出発点として,ベースライン手法のベンチマーク実験を行った。 GRBはオープンソースで、コミュニティからのコントリビューションを歓迎している。データセット、コード、リーダーボードはhttps://cogdl.ai/grb/home.comで入手できる。

関連論文リスト

GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。多次元コントラスト学習によるグラフ表現埋め込みを提案する。
論文参考訳（メタデータ） (2024-09-12T03:09:05Z)
GLBench: A Comprehensive Benchmark for Graph with Large Language Models [41.89444363336435]
GLBenchは、教師付きシナリオとゼロショットシナリオの両方でGraphLLMメソッドを評価するための最初の包括的なベンチマークである。 GLBenchはグラフニューラルネットワークのような従来のベースラインとともに、GraphLLMメソッドのさまざまなカテゴリを公平かつ徹底的に評価する。
論文参考訳（メタデータ） (2024-07-10T08:20:47Z)
GraphFM: A Comprehensive Benchmark for Graph Foundation Model [33.157367455390144]
ファンデーション・モデル(FM)は、人工知能システムの開発のための一般的なクラスである。 FMの基礎として自己教師型学習の研究が盛んに行われたが、いくつかの顕著な問題が続いている。下流タスクにおける一般化能力の程度は未だ不明である。これらのモデルが大規模なデータセットにどの程度効果的にスケールできるかは不明だ。
論文参考訳（メタデータ） (2024-06-12T15:10:44Z)
Graph Augmentation for Recommendation [30.77695833436189]
コントラスト学習によるグラフ強化はレコメンデーションシステム分野において大きな注目を集めている。本稿では,自己教師付き信号を生成し,レコメンダシステムを強化したGraphAugというフレームワークを提案する。 GraphAugフレームワークはグラフ情報ボトルネック(GIB)の正規化拡張パラダイムを取り入れており、情報的自己超越情報を自動で抽出する。
論文参考訳（メタデータ） (2024-03-25T11:47:53Z)
GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文参考訳（メタデータ） (2024-01-10T08:37:39Z)
Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
論文参考訳（メタデータ） (2022-10-21T04:38:25Z)
Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文参考訳（メタデータ） (2022-09-16T09:13:43Z)
Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文参考訳（メタデータ） (2022-07-10T06:42:02Z)
Reinforcement Learning-based Black-Box Evasion Attacks to Link Prediction in Dynamic Graphs [87.5882042724041]
動的グラフ(LPDG)におけるリンク予測は、多様な応用を持つ重要な研究課題である。我々は,LPDG法の脆弱性を調査し,最初の実用的なブラックボックス回避攻撃を提案する。
論文参考訳（メタデータ） (2020-09-01T01:04:49Z)
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。