論文の概要: Addressing Noise and Efficiency Issues in Graph-Based Machine Learning
Models From the Perspective of Adversarial Attack
- arxiv url: http://arxiv.org/abs/2401.15615v1
- Date: Sun, 28 Jan 2024 10:03:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:29:26.391299
- Title: Addressing Noise and Efficiency Issues in Graph-Based Machine Learning
Models From the Perspective of Adversarial Attack
- Title（参考訳）: グラフ型機械学習モデルの雑音と効率問題への対処 : 逆攻撃の視点から
- Authors: Yongyu Wang
- Abstract要約: 本稿では,ノイズエッジを逆襲攻撃として扱うことを提案し,スペクトル対向ロバスト性評価法を用いて,ノイズエッジがグラフアルゴリズムの性能に与える影響を低減させる。
提案手法は,ノイズの多いエッジに対して脆弱でない点を識別し,これらの頑健な点のみを活用してグラフベースのアルゴリズムを実行する。
- 参考スコア（独自算出の注目度）: 2.1937382384136637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given that no existing graph construction method can generate a perfect graph
for a given dataset, graph-based algorithms are invariably affected by the
plethora of redundant and erroneous edges present within the constructed
graphs. In this paper, we propose treating these noisy edges as adversarial
attack and use a spectral adversarial robustness evaluation method to diminish
the impact of noisy edges on the performance of graph algorithms. Our method
identifies those points that are less vulnerable to noisy edges and leverages
only these robust points to perform graph-based algorithms. Our experiments
with spectral clustering, one of the most representative and widely utilized
graph algorithms, reveal that our methodology not only substantially elevates
the precision of the algorithm but also greatly accelerates its computational
efficiency by leveraging only a select number of robust data points.
- Abstract（参考訳）: 既存のグラフ構築法が与えられたデータセットに対して完璧なグラフを生成することができないことを考慮すれば、グラフベースのアルゴリズムは、構築されたグラフ内に存在する冗長なエッジと誤エッジの多元性の影響を必ず受ける。
本稿では,これらの雑音エッジを逆攻撃として扱うことを提案し,スペクトル逆ロバスト性評価法を用いて,雑音エッジがグラフアルゴリズムの性能に与える影響を低減させる。
提案手法は,ノイズエッジに対して脆弱でない点を特定し,これらのロバストな点のみを利用してグラフベースアルゴリズムを実行する。
最も代表的で広く利用されているグラフアルゴリズムの1つであるスペクトルクラスタリング実験では,提案手法がアルゴリズムの精度を大幅に向上するだけでなく,少数のロバストなデータポイントのみを活用することにより,計算効率を大幅に向上させることを示した。
関連論文リスト
- The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph
Structure [18.00833762891405]
Graph Lottery Ticket (GLT)仮説: グラフごとに非常に疎いバックボーンが存在する。
本研究は,グラフ学習アルゴリズムの性能に直接影響を及ぼす関心の指標を8つ研究する。
任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T00:24:44Z) - Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。
具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。
このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
論文 参考訳（メタデータ） (2023-06-14T02:45:14Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Improved Exact and Heuristic Algorithms for Maximum Weight Clique [1.2074552857379273]
最大重量傾き問題の解法として,精度の向上とラベリングアルゴリズムを提案する。
提案アルゴリズムは, 局所グラフ構造を用いた新しいデータ削減規則を用いて, 成功した手法をインターリーブする。
我々は,アルゴリズムを合成および実世界のグラフで評価し,ほとんどの入力において,その技術の現状よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-02-01T14:02:06Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Score matching enables causal discovery of nonlinear additive noise
models [63.93669924730725]
次世代のスケーラブル因果発見手法の設計方法について述べる。
本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
論文 参考訳（メタデータ） (2022-03-08T21:34:46Z) - 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) - Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。
この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。
IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
論文 参考訳（メタデータ） (2020-10-12T09:32:20Z) - Faster Graph Embeddings via Coarsening [25.37181684580123]
グラフ埋め込みは、グラフ構造化データ上のノード分類やリンク予測といった機械学習タスクのためのユビキタスツールである。
大規模グラフに対する埋め込みの計算は、関連する頂点の小さな部分集合のみに関心がある場合でも、非効率的である。
我々は、関連する頂点の埋め込みを計算するために、Schur補数に基づく効率的なグラフ粗大化手法を提案する。
論文 参考訳（メタデータ） (2020-07-06T15:22:25Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-06-24T11:37:33Z)
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。