論文の概要: On the Robustness of Graph Neural Diffusion to Topology Perturbations

• arxiv url: http://arxiv.org/abs/2209.07754v1
• Date: Fri, 16 Sep 2022 07:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:09:48.901013
• Title: On the Robustness of Graph Neural Diffusion to Topology Perturbations
• Title（参考訳）: トポロジー摂動に対するグラフ神経拡散のロバスト性について
• Authors: Yang Song, Qiyu Kang, Sijie Wang, Zhao Kai, Wee Peng Tay
• Abstract要約: グラフニューラルPDEは,他のGNNと比較して本質的にトポロジ的摂動に対して頑健であることを示す。 本稿では,新しい堅牢なGNNを定義可能なグラフニューラルPDEフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.284359808863588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural diffusion on graphs is a novel class of graph neural networks that has attracted increasing attention recently. The capability of graph neural partial differential equations (PDEs) in addressing common hurdles of graph neural networks (GNNs), such as the problems of over-smoothing and bottlenecks, has been investigated but not their robustness to adversarial attacks. In this work, we explore the robustness properties of graph neural PDEs. We empirically demonstrate that graph neural PDEs are intrinsically more robust against topology perturbation as compared to other GNNs. We provide insights into this phenomenon by exploiting the stability of the heat semigroup under graph topology perturbations. We discuss various graph diffusion operators and relate them to existing graph neural PDEs. Furthermore, we propose a general graph neural PDE framework based on which a new class of robust GNNs can be defined. We verify that the new model achieves comparable state-of-the-art performance on several benchmark datasets.
• Abstract（参考訳）: グラフ上の神経拡散はグラフニューラルネットワークの新しいクラスであり、近年注目を集めている。 グラフニューラルネットワーク(GNN)の共通ハードルに対処するグラフニューラル偏微分方程式(PDE)の能力、例えば過度なスムーシングやボトルネックの問題などについて研究されているが、敵の攻撃に対する堅牢性は示されていない。 本研究では,グラフニューラルPDEのロバスト性について検討する。 グラフニューラルPDEは、他のGNNと比較してトポロジの摂動に対して本質的に堅牢であることを示す。 グラフトポロジー摂動下での熱半群の安定性を利用してこの現象の洞察を与える。 グラフ拡散演算子について検討し,既存のグラフニューラルPDEに関連付ける。 さらに,新しい頑健なGNNを定義可能なグラフニューラルPDEフレームワークを提案する。 我々は,新しいモデルが複数のベンチマークデータセット上で同等の最先端性能を達成することを検証した。

関連論文リスト

• Coupling Graph Neural Networks with Fractional Order Continuous Dynamics: A Robustness Study [24.950680319986486]
  グラフニューラル分数次微分方程式(FDE)モデルのロバスト性について厳密に検討する。 このフレームワークは、時間差分カプトー微分を実装することで、従来のグラフニューラル(整数階)常微分方程式(ODE)モデルを超えて拡張する。
  論文  参考訳（メタデータ） (2024-01-09T02:56:52Z)
• Graph Neural Stochastic Differential Equations [3.568455515949288]
  グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。 この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。 我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
  論文  参考訳（メタデータ） (2023-08-23T09:20:38Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Topological Relational Learning on Graphs [2.4692806302088868]
  グラフニューラルネットワーク(GNN)は、グラフ分類と表現学習のための強力なツールとして登場した。 本稿では,GNNに高階グラフ情報を統合可能な新しいトポロジカルリレーショナル推論(TRI)を提案する。 新しいTRI-GNNは、6つの7つのグラフで14の最先端のベースラインを上回り、摂動に対して高い堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2021-10-29T04:03:27Z)
• On the Stability of Graph Convolutional Neural Networks under Edge Rewiring [22.58110328955473]
  グラフニューラルネットワークは、機械学習コミュニティ内で人気が高まっている。 しかし、その安定性、すなわち入力中の小さな摂動に対する頑健さは、まだよく理解されていない。 我々は,グラフニューラルネットワークが高次ノード間の切り換えに安定であることを示す,解釈可能な上界モデルを開発した。
  論文  参考訳（メタデータ） (2020-10-26T17:37:58Z)
• Graph and graphon neural network stability [122.06927400759021]
  グラフネットワーク(GNN)は、ネットワークデータの有意義な表現を生成するためにグラフ構造の知識に依存する学習アーキテクチャである。 我々は,GNNの安定性を,グラファイトと呼ばれるカーネルオブジェクトを用いて解析する。
  論文  参考訳（メタデータ） (2020-10-23T16:55:56Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。