論文の概要: Generated Graph Detection

• arxiv url: http://arxiv.org/abs/2306.07758v1
• Date: Tue, 13 Jun 2023 13:18:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 13:42:34.535566
• Title: Generated Graph Detection
• Title（参考訳）: 生成グラフ検出
• Authors: Yihan Ma, Zhikun Zhang, Ning Yu, Xinlei He, Michael Backes, Yun Shen, Yang Zhang
• Abstract要約: グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。 私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
• 参考スコア（独自算出の注目度）: 27.591612297045817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph generative models become increasingly effective for data distribution approximation and data augmentation. While they have aroused public concerns about their malicious misuses or misinformation broadcasts, just as what Deepfake visual and auditory media has been delivering to society. Hence it is essential to regulate the prevalence of generated graphs. To tackle this problem, we pioneer the formulation of the generated graph detection problem to distinguish generated graphs from real ones. We propose the first framework to systematically investigate a set of sophisticated models and their performance in four classification scenarios. Each scenario switches between seen and unseen datasets/generators during testing to get closer to real-world settings and progressively challenge the classifiers. Extensive experiments evidence that all the models are qualified for generated graph detection, with specific models having advantages in specific scenarios. Resulting from the validated generality and oblivion of the classifiers to unseen datasets/generators, we draw a safe conclusion that our solution can sustain for a decent while to curb generated graph misuses.
• Abstract（参考訳）: グラフ生成モデルはデータ分布近似やデータ拡張にますます効果的になる。 悪質な悪用や誤報に関する世間の懸念を呼び起こしてきたが、deepfakeのビジュアルメディアや聴覚メディアが社会に与えてきたものと同じだ。 したがって、生成されたグラフの流行を規制することが不可欠である。 そこで本研究では,生成グラフと実グラフを区別するために,生成グラフ検出問題の定式化を行う。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を体系的に調査する最初のフレームワークを提案する。 テスト中の各シナリオは、実世界の設定に近づき、徐々に分類器に挑戦するように、可視と見えないデータセット/ジェネレータを切り替える。 大規模な実験は、全てのモデルが生成されたグラフ検出に適しており、特定のモデルが特定のシナリオで有利であることを示す。 分類器の検証された一般化と、未確認のデータセット/ジェネレータへの消極性から、我々は、生成したグラフの誤用を抑えるために、我々のソリューションが十分な期間持続できるという安全な結論を導いた。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• Graph Learning Across Data Silos [12.343382413705394]
  本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。 データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。 本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-17T02:14:57Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Graph-LDA: Graph Structure Priors to Improve the Accuracy in Few-Shot Classification [6.037383467521294]
  本稿では、2つのノイズ源で観測されたクラス信号が劣化することが想定されるジェネリックモデルを提案する。 このような信号を分類する最適な手法を導出する。 この手法には単一のパラメータが含まれており、利用可能なデータが不足している場合に特に適している。
  論文  参考訳（メタデータ） (2021-08-23T21:55:45Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。