論文の概要: A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges

• arxiv url: http://arxiv.org/abs/2403.04468v1
• Date: Thu, 7 Mar 2024 13:10:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 14:04:41.051069
• Title: A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges
• Title（参考訳）: 実世界のグラフニューラルネットワークに関するサーベイ:不均衡,ノイズ,プライバシ,OOD問題
• Authors: Wei Ju, Siyu Yi, Yifan Wang, Zhiping Xiao, Zhengyang Mao, Hourun Li, Yiyang Gu, Yifang Qin, Nan Yin, Senzhang Wang, Xinwang Liu, Xiao Luo, Philip S. Yu, Ming Zhang
• Abstract要約: 本稿では,既存のグラフニューラルネットワーク(GNN)を体系的にレビューする。 まず、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探究する道を開く。
• 参考スコア（独自算出の注目度）: 75.37448213291668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data exhibits universality and widespread applicability across diverse domains, such as social network analysis, biochemistry, financial fraud detection, and network security. Significant strides have been made in leveraging Graph Neural Networks (GNNs) to achieve remarkable success in these areas. However, in real-world scenarios, the training environment for models is often far from ideal, leading to substantial performance degradation of GNN models due to various unfavorable factors, including imbalance in data distribution, the presence of noise in erroneous data, privacy protection of sensitive information, and generalization capability for out-of-distribution (OOD) scenarios. To tackle these issues, substantial efforts have been devoted to improving the performance of GNN models in practical real-world scenarios, as well as enhancing their reliability and robustness. In this paper, we present a comprehensive survey that systematically reviews existing GNN models, focusing on solutions to the four mentioned real-world challenges including imbalance, noise, privacy, and OOD in practical scenarios that many existing reviews have not considered. Specifically, we first highlight the four key challenges faced by existing GNNs, paving the way for our exploration of real-world GNN models. Subsequently, we provide detailed discussions on these four aspects, dissecting how these solutions contribute to enhancing the reliability and robustness of GNN models. Last but not least, we outline promising directions and offer future perspectives in the field.
• Abstract（参考訳）: グラフ構造データは、ソーシャルネットワーク分析、生化学、金融不正検出、ネットワークセキュリティなど、さまざまなドメインにまたがる普遍性と広範な適用性を示す。 グラフニューラルネットワーク(GNN)を活用することで、これらの分野で大きな成功を収めている。 しかしながら、実世界のシナリオでは、モデルのトレーニング環境は理想とは程遠いことが多く、データ分散の不均衡、誤ったデータにおけるノイズの存在、機密情報のプライバシ保護、分散(ood)シナリオの一般化など、さまざまな不利な要因により、gnnモデルの実質的なパフォーマンス低下につながる。 これらの問題に対処するため、現実のシナリオにおけるgnnモデルの性能向上と信頼性と堅牢性の向上に多大な努力が費やされてきた。 本稿では,既存のGNNモデルを体系的にレビューする包括的調査を行い,多くの既存レビューが考慮していない実践シナリオにおいて,不均衡,ノイズ,プライバシ,OODを含む実世界の課題に対する解決策に焦点を当てた。 具体的には、既存のGNNが直面している4つの重要な課題を強調し、現実のGNNモデルを探索する道を開く。 その後、これらの4つの側面について詳細な議論を行い、これらのソリューションがGNNモデルの信頼性と堅牢性の向上にどのように貢献するかを論じる。 最後に重要なことは、将来的な方向性を概説し、将来的な展望を提供することです。

関連論文リスト

• Beyond Grid Data: Exploring Graph Neural Networks for Earth Observation [26.397297480169858]
  グラフニューラルネットワーク(GNN)は重要なイノベーションとして登場し、非ユークリッド領域にDLを推進している。 GNNは、多様なモダリティ、複数のセンサー、地球観測データの異種性によって引き起こされる課題に効果的に取り組むことができる。 本稿では、気象・気候分析、災害管理、大気質モニタリング、農業、土地被覆分類、水文プロセスモデリング、都市モデルなど、GNNの地球システムにおける科学的問題への応用の幅広い範囲について検討する。
  論文  参考訳（メタデータ） (2024-11-05T16:12:12Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• gRoMA: a Tool for Measuring the Global Robustness of Deep Neural Networks [3.2228025627337864]
  ディープニューラルネットワーク(DNN)は最先端技術の最前線にあり、さまざまな複雑なタスクにおいて顕著なパフォーマンスを実現している。 航空宇宙分野や自動車分野などの安全クリティカルシステムへの統合は、敵の入力の脅威のために大きな課題となる。 本稿では,DNNのグローバルな分類的ロバスト性を測定するための確率論的アプローチを実装した,革新的でスケーラブルなツールであるgRoMAを紹介する。
  論文  参考訳（メタデータ） (2023-01-05T20:45:23Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)

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。