論文の概要: A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection

• arxiv url: http://arxiv.org/abs/2205.10014v2
• Date: Mon, 23 May 2022 09:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 12:01:07.942488
• Title: A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection
• Title（参考訳）: 信頼できるグラフ学習に関する調査:信頼性、説明可能性、プライバシー保護
• Authors: Bingzhe Wu, Jintang Li, Junchi Yu, Yatao Bian, Hengtong Zhang, CHaochao Chen, Chengbin Hou, Guoji Fu, Liang Chen, Tingyang Xu, Yu Rong, Xiaolin Zheng, Junzhou Huang, Ran He, Baoyuan Wu, GUangyu Sun, Peng Cui, Zibin Zheng, Zhe Liu, Peilin Zhao
• Abstract要約: 信頼できるグラフ学習(TwGL)は、技術的観点から上記の問題を解決することを目的としている。 モデル性能を主に重視する従来のグラフ学習研究とは対照的に、TwGLは様々な信頼性と安全性を考慮に入れている。
• 参考スコア（独自算出の注目度）: 136.71290968343826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep graph learning has achieved remarkable progresses in both business and scientific areas ranging from finance and e-commerce, to drug and advanced material discovery. Despite these progresses, how to ensure various deep graph learning algorithms behave in a socially responsible manner and meet regulatory compliance requirements becomes an emerging problem, especially in risk-sensitive domains. Trustworthy graph learning (TwGL) aims to solve the above problems from a technical viewpoint. In contrast to conventional graph learning research which mainly cares about model performance, TwGL considers various reliability and safety aspects of the graph learning framework including but not limited to robustness, explainability, and privacy. In this survey, we provide a comprehensive review of recent leading approaches in the TwGL field from three dimensions, namely, reliability, explainability, and privacy protection. We give a general categorization for existing work and review typical work for each category. To give further insights for TwGL research, we provide a unified view to inspect previous works and build the connection between them. We also point out some important open problems remaining to be solved in the future developments of TwGL.
• Abstract（参考訳）: ディープグラフ学習は、金融や電子商取引から薬物や高度な物質発見まで、ビジネス分野と科学分野の両方で著しい進歩を遂げてきた。 これらの進歩にもかかわらず、様々なディープグラフ学習アルゴリズムを社会的に責任ある方法で動作させ、規制コンプライアンス要件を満たすことが、特にリスクに敏感な領域において、新たな問題となる。 信頼できるグラフ学習(TwGL)は、技術的観点から上記の問題を解決することを目的としている。 モデルパフォーマンスを主に重視する従来のグラフ学習研究とは対照的に,twglでは,堅牢性や説明可能性,プライバシなどを含む,グラフ学習フレームワークのさまざまな信頼性と安全性について検討している。 本稿では,twgl分野における最近の先行的アプローチについて,信頼性,説明可能性,プライバシー保護という3次元から総合的に検討する。 既存の作業の一般的な分類と,各カテゴリの典型的な作業のレビューを行う。 TwGL研究にさらなる洞察を与えるため、以前の研究を検査し、それらの関係を構築する統一的な視点を提供する。 また,TwGLの今後の発展において解決すべき重要な未解決問題についても指摘した。

関連論文リスト

• Resilience in Knowledge Graph Embeddings [1.90894751866253]
  我々は、一般化、性能の整合性、分散適応、堅牢性といったいくつかの要因を含む、レジリエンスを一元的に定義する。 調査の結果,既存の研究のほとんどはレジリエンス,すなわち堅牢性に重点を置いていることがわかった。
  論文  参考訳（メタデータ） (2024-10-28T16:04:22Z)
• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• A Survey of Data-Efficient Graph Learning [16.053913182723143]
  研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。 我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
  論文  参考訳（メタデータ） (2024-02-01T09:28:48Z)
• Continual Graph Learning: A Survey [4.618696834991205]
  連続学習(CL)の研究は主にユークリッド空間で表されるデータに焦点を当てている。 ほとんどのグラフ学習モデルは静的グラフ用に調整されている。 グラフ学習モデルが漸進的にトレーニングされるとき、破滅的な忘れ方も現れます。
  論文  参考訳（メタデータ） (2023-01-28T15:42:49Z)
• Privacy-preserving Graph Analytics: Secure Generation and Federated Learning [72.90158604032194]
  我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。 本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
  論文  参考訳（メタデータ） (2022-06-30T18:26:57Z)
• Recent Advances in Reliable Deep Graph Learning: Inherent Noise, Distribution Shift, and Adversarial Attack [56.132920116154885]
  深層グラフ学習(DGL)は、ビジネス分野と科学分野の両方において顕著な進歩を遂げている。 DGLを現実世界のアプリケーションに適用することは、固有のノイズ、分散シフト、敵攻撃など、一連の信頼性上の脅威に直面します。
  論文  参考訳（メタデータ） (2022-02-15T00:55:16Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。