論文の概要: A Learning Convolutional Neural Network Approach for Network Robustness
Prediction
- arxiv url: http://arxiv.org/abs/2203.10552v1
- Date: Sun, 20 Mar 2022 13:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 10:25:05.723202
- Title: A Learning Convolutional Neural Network Approach for Network Robustness
Prediction
- Title（参考訳）: ネットワークロバスト性予測のための学習畳み込みニューラルネットワークアプローチ
- Authors: Yang Lou and Ruizi Wu and Junli Li and Lin Wang and Xiang Li and
Guanrong Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.742495880357493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network robustness is critical for various societal and industrial networks
again malicious attacks. In particular, connectivity robustness and
controllability robustness reflect how well a networked system can maintain its
connectedness and controllability against destructive attacks, which can be
quantified by a sequence of values that record the remaining connectivity and
controllability of the network after a sequence of node- or edge-removal
attacks. Traditionally, robustness is determined by attack simulations, which
are computationally very time-consuming or even practically infeasible. In this
paper, an improved method for network robustness prediction is developed based
on learning feature representation using convolutional neural network
(LFR-CNN). In this scheme, higher-dimensional network data are compressed to
lower-dimensional representations, and then passed to a CNN to perform
robustness prediction. Extensive experimental studies on both synthetic and
real-world networks, both directed and undirected, demonstrate that 1) the
proposed LFR-CNN performs better than other two state-of-the-art prediction
methods, with significantly lower prediction errors; 2) LFR-CNN is insensitive
to the variation of the network size, which significantly extends its
applicability; 3) although LFR-CNN needs more time to perform feature learning,
it can achieve accurate prediction faster than attack simulations; 4) LFR-CNN
not only can accurately predict network robustness, but also provides a good
indicator for connectivity robustness, better than the classical spectral
measures.
- Abstract（参考訳）: ネットワークのロバスト性は、様々な社会ネットワークや産業ネットワークにとって再び悪質な攻撃に不可欠である。
特に、接続性ロバスト性と制御性ロバスト性は、ノードまたはエッジ削除攻撃の連続後にネットワークの残りの接続性と制御性を記録する一連の値によって定量化できる、ネットワーク化されたシステムが接続性と制御性をいかによく維持できるかを反映している。
伝統的に、堅牢性は攻撃シミュレーションによって決定される。
本稿では,畳み込みニューラルネットワーク(lfr-cnn)を用いた学習特徴量表現に基づくネットワークロバストネス予測の改良手法を提案する。
この方式では、高次元ネットワークデータは低次元表現に圧縮され、cnnに渡されてロバスト性予測を行う。
有向および無向の両方の合成および実世界のネットワークに関する広範囲にわたる実験的研究は、このことを実証している。
1) 提案するlfr-cnnは他の2つの最先端予測手法よりも性能が良く, 予測誤差が著しく低い。
2) LFR-CNNは,ネットワークサイズの変化に敏感であり,適用性を大幅に拡張する。
3)LFR-CNNは特徴学習により多くの時間を要するが,攻撃シミュレーションよりも正確な予測が可能である。
4)lfr-cnnは,ネットワークのロバスト性を正確に予測できるだけでなく,従来のスペクトル測定値よりも優れた接続性ロバスト性を示す。
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) - Comprehensive Analysis of Network Robustness Evaluation Based on Convolutional Neural Networks with Spatial Pyramid Pooling [4.366824280429597]
複雑なネットワークを理解し、最適化し、修復するための重要な側面である接続性の堅牢性は、伝統的にシミュレーションを通じて評価されてきた。
空間ピラミッドプールネットワーク(SPP-net)を用いた畳み込みニューラルネットワーク(CNN)モデルの設計により,これらの課題に対処する。
提案したCNNモデルは,全ての除去シナリオにおいて,攻撃曲線とロバストネスの両値の正確な評価を一貫して達成していることを示す。
論文 参考訳（メタデータ） (2023-08-10T09:54:22Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - SPP-CNN: An Efficient Framework for Network Robustness Prediction [13.742495880357493]
本稿では,空間ピラミッドプール畳み込みニューラルネットワーク(SPP-CNN)のネットワークロバスト性予測のための効率的なフレームワークを開発する。
新しいフレームワークは、畳み込み層と完全に接続された層の間に空間ピラミッドプーリング層を設置し、CNNベースの予測アプローチにおける一般的なミスマッチ問題を克服する。
論文 参考訳（メタデータ） (2023-05-13T09:09:20Z) - Certified Invertibility in Neural Networks via Mixed-Integer Programming [16.64960701212292]
ニューラルネットワークは敵の攻撃に弱いことが知られている。
ネットワークの決定に影響を与えない大きな、意味のある摂動が存在するかもしれない。
ニューラルネットワーク間の変換における可逆性検証に,我々の知見がどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-27T15:40:38Z) - CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。
しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
論文 参考訳（メタデータ） (2022-08-25T03:36:20Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - 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) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z)
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。