論文の概要: Structure-Aware Robustness Certificates for Graph Classification

• arxiv url: http://arxiv.org/abs/2306.11915v1
• Date: Tue, 20 Jun 2023 22:01:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 15:37:43.192647
• Title: Structure-Aware Robustness Certificates for Graph Classification
• Title（参考訳）: グラフ分類のための構造対応ロバスト性証明書
• Authors: Pierre Osselin, Henry Kenlay and Xiaowen Dong
• Abstract要約: グラフベースの機械学習モデルの堅牢性を証明することは、安全性にとって重要な課題である。 入力グラフ構造に異方性雑音分布を付加したランダムな平滑化法を開発した。 我々のプロセスは、分類器のための構造認識証明書を生成し、これにより、グラフの様々な事前定義された構造に対して、ロバスト性証明書の規模が変化することを示す。
• 参考スコア（独自算出の注目度）: 13.643197515573029
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Certifying the robustness of a graph-based machine learning model poses a critical challenge for safety. Current robustness certificates for graph classifiers guarantee output invariance with respect to the total number of node pair flips (edge addition or edge deletion), which amounts to an $l_{0}$ ball centred on the adjacency matrix. Although theoretically attractive, this type of isotropic structural noise can be too restrictive in practical scenarios where some node pairs are more critical than others in determining the classifier's output. The certificate, in this case, gives a pessimistic depiction of the robustness of the graph model. To tackle this issue, we develop a randomised smoothing method based on adding an anisotropic noise distribution to the input graph structure. We show that our process generates structural-aware certificates for our classifiers, whereby the magnitude of robustness certificates can vary across different pre-defined structures of the graph. We demonstrate the benefits of these certificates in both synthetic and real-world experiments.
• Abstract（参考訳）: グラフベースの機械学習モデルの堅牢性を証明することは、安全性にとって重要な課題である。 グラフ分類器の現在の堅牢性証明は、ノード対のフリップの総数(エッジ加算またはエッジ削除)に関して出力不変性を保証する。 理論的には魅力的ではあるが、そのような等方性構造ノイズは、いくつかのノード対が他のノードよりも重要な場合、分類器の出力を決定する場合に制限的すぎる可能性がある。 この場合、証明書はグラフモデルの堅牢性に関する悲観的な描写を与える。 この問題に対処するため,入力グラフ構造に異方性雑音分布を付加したランダムな平滑化手法を開発した。 我々のプロセスは、分類器のための構造認識証明書を生成し、これにより、グラフの様々な事前定義された構造に対して、ロバスト性証明書の規模が変化することを示す。 我々は,これらの証明書の利点を合成実験と実世界実験の両方で実証する。

関連論文リスト

• ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
  本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。 この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
  論文  参考訳（メタデータ） (2023-09-26T04:59:49Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Robust Model Selection of Gaussian Graphical Models [16.933125281564163]
  ノイズ崩壊サンプルは、グラフィカルモデル選択において重要な課題を示す。 本稿では,基礎となるグラフを同定されたあいまいさまで確実に復元するアルゴリズムを提案する。 この情報は、電力網、ソーシャルネットワーク、タンパク質とタンパク質の相互作用、神経構造など、現実世界の様々な問題に有用である。
  論文  参考訳（メタデータ） (2022-11-10T16:50:50Z)
• Localized Randomized Smoothing for Collective Robustness Certification [60.83383487495282]
  我々は、あらゆる種類のモデルに対してより一般的な集合的ロバスト性証明を提案する。 このアプローチは、より大規模なソフトな局所モデルに対して有益であることを示す。 この証明書は、我々の新しい局所的ランダム化平滑化アプローチに基づいている。
  論文  参考訳（メタデータ） (2022-10-28T14:10:24Z)
• Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
  我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。 この結果は、異なるデータセットの実験によって確認される。
  論文  参考訳（メタデータ） (2022-02-02T18:19:04Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
  ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。 我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-04T17:34:39Z)
• Adversarial Robustness of Supervised Sparse Coding [34.94566482399662]
  表現を学習すると同時に、正確な一般化境界と堅牢性証明を与えるモデルを考える。 線形エンコーダと組み合わされたスパーシティプロモーティングエンコーダを組み合わせた仮説クラスに着目した。 エンドツーエンドの分類のための堅牢性証明を提供する。
  論文  参考訳（メタデータ） (2020-10-22T22:05:21Z)
• Efficient Robustness Certificates for Discrete Data: Sparsity-Aware Randomized Smoothing for Graphs, Images and More [85.52940587312256]
  本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。 このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
  論文  参考訳（メタデータ） (2020-08-29T10:09:02Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。