論文の概要: Scalable Privacy-enhanced Benchmark Graph Generative Model for Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2207.04396v1
• Date: Sun, 10 Jul 2022 06:42:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 07:59:58.482970
• Title: Scalable Privacy-enhanced Benchmark Graph Generative Model for Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークのためのスケーラブルなプライバシー強化ベンチマークグラフ生成モデル
• Authors: Minji Yoon, Yue Wu, John Palowitch, Bryan Perozzi, and Ruslan Salakhutdinov
• Abstract要約: グラフ畳み込みネットワーク(GCN)への関心の高まりにより、毎年何百ものGCNが導入された。 多くのGCNモデルは、ソーシャルや商用ネットワークなどの多くの関心グラフがプロプライエタリであるため、少数のベンチマークデータセットのみを再使用します。 本稿では,ソースグラフの分布に従ってGCNのベンチマークグラフを多種多様に生成できる新しいグラフ生成問題を提案する。
• 参考スコア（独自算出の注目度）: 68.15064762994795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A surge of interest in Graph Convolutional Networks (GCN) has produced thousands of GCN variants, with hundreds introduced every year. In contrast, many GCN models re-use only a handful of benchmark datasets as many graphs of interest, such as social or commercial networks, are proprietary. We propose a new graph generation problem to enable generating a diverse set of benchmark graphs for GCNs following the distribution of a source graph -- possibly proprietary -- with three requirements: 1) benchmark effectiveness as a substitute for the source graph for GCN research, 2) scalability to process large-scale real-world graphs, and 3) a privacy guarantee for end-users. With a novel graph encoding scheme, we reframe large-scale graph generation problem into medium-length sequence generation problem and apply the strong generation power of the Transformer architecture to the graph domain. Extensive experiments across a vast body of graph generative models show that our model can successfully generate benchmark graphs with the realistic graph structure, node attributes, and node labels required to benchmark GCNs on node classification tasks.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)への関心の高まりにより、毎年何百ものGCNが導入された。 対照的に、多くのGCNモデルは、ソーシャルや商用ネットワークなどの多くの関心グラフがプロプライエタリであるため、少数のベンチマークデータセットのみを再使用します。 ソースグラフ(おそらくプロプライエタリな)を3つの要件で配布した後に,GCNのベンチマークグラフの多様なセットを生成することのできる,新たなグラフ生成問題を提案する。 1)gcn研究のソースグラフの代替としてのベンチマークの有効性 2)大規模実世界のグラフ処理のスケーラビリティ 3) エンドユーザのプライバシ保証。 新しいグラフ符号化方式により,大規模グラフ生成問題を中長系列生成問題に再構成し,グラフ領域にトランスフォーマアーキテクチャの強力な生成パワーを適用する。 多数のグラフ生成モデルにわたる広範囲な実験により,本モデルは,ノード分類タスクでgcnをベンチマークするのに必要なグラフ構造,ノード属性,ノードラベルを用いたベンチマークグラフを効果的に生成できることが確認された。

関連論文リスト

• Data Augmentation in Graph Neural Networks: The Role of Generated Synthetic Graphs [0.24999074238880487]
  本研究では,データ拡張のための生成グラフについて検討する。 生成したグラフを実グラフと組み合わせることのパフォーマンスを比較し、生成したグラフの量が異なることがグラフ分類タスクに与える影響を調べる。 その結果,グラフデータの拡張,一貫性のあるラベルの確保,分類性能の向上など,新たなアプローチが導入された。
  論文  参考訳（メタデータ） (2024-07-20T06:05:26Z)
• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• Examining the Effects of Degree Distribution and Homophily in Graph Learning Models [19.060710813929354]
  GraphWorldは,GNNタスクのベンチマークを行うための,多種多様な合成グラフを生成するソリューションだ。 その成功にもかかわらず、SBMはグラフワールドが生み出すことのできるグラフ構造に根本的な制限を課した。 本研究では,2つの合成グラフ生成器がGraphWorldの評価を改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-07-17T22:35:46Z)
• Edge Directionality Improves Learning on Heterophilic Graphs [42.5099159786891]
  我々は、有向グラフを深層学習するための新しいフレームワークであるDir-GNN(Directed Graph Neural Network)を紹介する。 Dir-GNNは、任意のメッセージパッシングニューラルネットワーク(MPNN)を拡張して、エッジ指向性情報を考慮するために使用することができる。 我々は,Dir-GNNが従来のMPNNよりも高い指向性Weisfeiler-Lehmanテストの表現性に一致することを証明した。
  論文  参考訳（メタデータ） (2023-05-17T18:06:43Z)
• 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)
• SizeShiftReg: a Regularization Method for Improving Size-Generalization in Graph Neural Networks [5.008597638379227]
  グラフニューラルネットワーク(GNN)は,グラフ分類のデファクトモデルとなっている。 テストデータへのアクセスを必要とせずに,任意のGNNに適用可能な正規化戦略を提案する。 我々の正規化は、粗い手法を用いてトレーニンググラフのサイズの変化をシミュレートする考え方に基づいている。
  論文  参考訳（メタデータ） (2022-07-16T09:50:45Z)
• GraphWorld: Fake Graphs Bring Real Insights for GNNs [4.856486822139849]
  GraphWorldは、ユーザが何百万もの統計的に多様なデータセットで効率的に世界を生成することを可能にする。 数百万のベンチマークデータセットに対する数万のGNNモデルの性能特性について,GraphWorldの実験結果から考察した。
  論文  参考訳（メタデータ） (2022-02-28T22:00:02Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• GPT-GNN: Generative Pre-Training of Graph Neural Networks [93.35945182085948]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングにおいて強力であることが示されている。 生成事前学習によりGNNを初期化するためのGPT-GNNフレームワークを提案する。 GPT-GNNは、様々な下流タスクにおいて、事前トレーニングを最大9.1%行うことなく、最先端のGNNモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2020-06-27T20:12:33Z)

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。