論文の概要: Towards Inductive Robustness: Distilling and Fostering Wave-induced Resonance in Transductive GCNs Against Graph Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2312.08651v1
• Date: Thu, 14 Dec 2023 04:25:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 23:56:10.195623
• Title: Towards Inductive Robustness: Distilling and Fostering Wave-induced Resonance in Transductive GCNs Against Graph Adversarial Attacks
• Title（参考訳）: インダクティブロバストネスを目指して : グラフ逆攻撃に対するトランスダクティブgcnsの蒸留と波誘発共鳴の促進
• Authors: Ao Liu, Wenshan Li, Tao Li, Beibei Li, Hanyuan Huang, Pan Zhou
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造のわずかな摂動が誤った予測に繋がる敵の攻撃に弱いことが示されている。 ここでは, トランスダクティブGCNは本質的に, 波動誘起共鳴プロセスによって達成される, 蒸留可能なロバスト性を有することがわかった。 本稿では,この共振を学習ノード表現を通じて促進するグラフ共振源ネットワーク(GRN)を提案する。
• 参考スコア（独自算出の注目度）: 56.56052273318443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have recently been shown to be vulnerable to adversarial attacks, where slight perturbations in the graph structure can lead to erroneous predictions. However, current robust models for defending against such attacks inherit the transductive limitations of graph convolutional networks (GCNs). As a result, they are constrained by fixed structures and do not naturally generalize to unseen nodes. Here, we discover that transductive GCNs inherently possess a distillable robustness, achieved through a wave-induced resonance process. Based on this, we foster this resonance to facilitate inductive and robust learning. Specifically, we first prove that the signal formed by GCN-driven message passing (MP) is equivalent to the edge-based Laplacian wave, where, within a wave system, resonance can naturally emerge between the signal and its transmitting medium. This resonance provides inherent resistance to malicious perturbations inflicted on the signal system. We then prove that merely three MP iterations within GCNs can induce signal resonance between nodes and edges, manifesting as a coupling between nodes and their distillable surrounding local subgraph. Consequently, we present Graph Resonance-fostering Network (GRN) to foster this resonance via learning node representations from their distilled resonating subgraphs. By capturing the edge-transmitted signals within this subgraph and integrating them with the node signal, GRN embeds these combined signals into the central node's representation. This node-wise embedding approach allows for generalization to unseen nodes. We validate our theoretical findings with experiments, and demonstrate that GRN generalizes robustness to unseen nodes, whilst maintaining state-of-the-art classification accuracy on perturbed graphs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は最近、グラフ構造のわずかな摂動が誤った予測につながるような敵攻撃に弱いことが示されている。 しかし、このような攻撃に対抗するための現在の堅牢なモデルは、グラフ畳み込みネットワーク(GCN)のトランスダクティブな制限を継承している。 その結果、それらは固定構造によって制約され、自然に見えないノードに一般化されない。 そこで本研究では, トランスダクティブgcnが, 波誘起共振過程によって得られる蒸留性頑健性を有することを見出した。 これに基づいて、我々はこの共鳴を育み、帰納的かつ堅牢な学習を促進する。 具体的には、まず、GCN駆動のメッセージパッシング(MP)によって生成された信号がエッジベースのラプラシアン波と等価であることを示す。 この共鳴は、信号系に有害な摂動に固有の抵抗を与える。 次に、GCN内の3つのMPイテレーションがノードとエッジ間の信号共鳴を誘導し、ノードと蒸留可能な周辺部分グラフの結合として現れることを証明した。 その結果, グラフ共振ネットワーク (GRN) を導入し, 蒸留した共振部分グラフからノード表現を学習することで, この共振を促進させる。 このサブグラフ内のエッジ送信された信号をキャプチャし、ノード信号と統合することで、grnはこれらの組み合わせ信号を中央ノードの表現に組み込む。 このノードワイズ埋め込みアプローチは、見えないノードへの一般化を可能にする。 我々は実験により理論的な知見を検証し、GRNが乱れグラフの最先端の分類精度を維持しながら、目に見えないノードに頑健さを一般化することを示した。

関連論文リスト

• Oversmoothing as Loss of Sign: Towards Structural Balance in Graph Neural Networks [54.62268052283014]
  オーバースムーシングはグラフニューラルネットワーク(GNN)において一般的な問題である 反過剰化手法の3つの主要なクラスは、数学的に符号付きグラフ上のメッセージパッシングと解釈できる。 負のエッジはノードをある程度撃退することができ、これらのメソッドが過剰なスムースを緩和する方法に関する深い洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Robustness of Graph Classification: failure modes, causes, and noise-resistant loss in Graph Neural Networks [18.556227061863904]
  グラフニューラルネットワーク(GNN)は、グラフ分類タスクを解くのに強力だが、適用された問題はしばしばノイズの多いラベルを含んでいる。 本稿では,低次グラフの一般化に苦しむモデルにおいて,GNNの雑音に対するロバスト性を検証し,GNNの故障モードを示す。
  論文  参考訳（メタデータ） (2024-12-11T14:35:37Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Robust Node Representation Learning via Graph Variational Diffusion Networks [7.335425547621226]
  近年,グラフ構造における摂動により,GNNに基づくノード表現学習が著しく劣化する可能性が示唆されている。 摂動の存在下で頑健なノード表現を学習するために、GNNを保護するための様々な研究が提案されている。 本稿では,ガウス雑音を効果的に制御し,摂動グラフ上のロバスト性を保護する新しいノードエンコーダであるグラフ変分拡散ネットワーク(GVDN)を提案する。
  論文  参考訳（メタデータ） (2023-12-18T03:18:53Z)
• Distributional Signals for Node Classification in Graph Neural Networks [36.30743671968087]
  グラフニューラルネットワーク(GNN)では、ノード特徴とラベルの両方がグラフ信号の例であり、グラフ信号処理(GSP)における鍵概念である。 本フレームワークでは,ノードラベルの分布をその値の代わりに扱うとともに,そのような分布グラフ信号の滑らかさと非均一性の概念を提案する。 次に,GNNの一般正規化手法を提案し,半教師付きノード分類タスクにおけるモデル出力の分布の滑らかさと非均一性をエンコードする。
  論文  参考訳（メタデータ） (2023-04-07T06:54:42Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• Can one hear the position of nodes? [5.634825161148484]
  個々のノードの振動によって放射される音は、全体のネットワークトポロジーの構造を反映する。 音声認識ニューラルネットワークは、ノードの波形から集中度を推定するように訓練される。 ネットワークトポロジのオーラル化は、ネットワークビジュアライゼーションと競合する芸術の新たな方向を開く可能性がある。
  論文  参考訳（メタデータ） (2022-11-10T16:00:53Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack [53.06334363586119]
  近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。 まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。 これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
  論文  参考訳（メタデータ） (2020-05-06T08:15:24Z)
• Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks [0.0]
  グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。 本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。 前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
  論文  参考訳（メタデータ） (2020-03-18T18:03:08Z)

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。