論文の概要: Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs

• arxiv url: http://arxiv.org/abs/2406.03097v1
• Date: Wed, 5 Jun 2024 09:40:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:59:55.898615
• Title: Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs
• Title（参考訳）: スパースグラフのトポロジ的摂動に対するグラフニューラルネットワークのレジリエンス向上
• Authors: Shuqi He, Jun Zhuang, Ding Wang, Luyao Peng, Jun Song,
• Abstract要約: 本稿では,トポロジ駆動ラベル伝搬,ベイズラベル遷移,ランダムウォークによるリンク解析を組み合わせた新しいラベル推論フレームワークTraTopoを提案する。 TraTopoは、ランダムウォークサンプリング(特にリンク予測のために孤立ノードをターゲットとする)を活用することで、スパースグラフの先駆者を大幅に上回っている。 経験的評価では、ノード分類におけるTraTopoの優位性が強調され、現在のGCNモデルよりも精度が高い。
• 参考スコア（独自算出の注目度）: 9.437128738619563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been extensively employed in node classification. Nevertheless, recent studies indicate that GNNs are vulnerable to topological perturbations, such as adversarial attacks and edge disruptions. Considerable efforts have been devoted to mitigating these challenges. For example, pioneering Bayesian methodologies, including GraphSS and LlnDT, incorporate Bayesian label transitions and topology-based label sampling to strengthen the robustness of GNNs. However, GraphSS is hindered by slow convergence, while LlnDT faces challenges in sparse graphs. To overcome these limitations, we propose a novel label inference framework, TraTopo, which combines topology-driven label propagation, Bayesian label transitions, and link analysis via random walks. TraTopo significantly surpasses its predecessors on sparse graphs by utilizing random walk sampling, specifically targeting isolated nodes for link prediction, thus enhancing its effectiveness in topological sampling contexts. Additionally, TraTopo employs a shortest-path strategy to refine link prediction, thereby reducing predictive overhead and improving label inference accuracy. Empirical evaluations highlight TraTopo's superiority in node classification, significantly exceeding contemporary GCN models in accuracy.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はノード分類に広く利用されている。 それにもかかわらず、最近の研究では、GNNは敵攻撃やエッジ破壊のようなトポロジカルな摂動に弱いことが示されている。 これらの課題を緩和するために、考慮すべき努力が注がれている。 例えば、GraphSSやLlnDTなどのベイズ的方法論は、GNNの堅牢性を強化するために、ベイズ的ラベル遷移とトポロジーに基づくラベルサンプリングを取り入れている。 しかし、GraphSSは緩やかな収束によって妨げられ、LlnDTはスパースグラフの課題に直面している。 これらの制約を克服するために,トポロジ駆動ラベル伝搬,ベイズラベル遷移,ランダムウォークによるリンク解析を組み合わせた新しいラベル推論フレームワークであるTraTopoを提案する。 TraTopoは、ランダムウォークサンプリングを利用して、特にリンク予測のために孤立ノードをターゲットとすることで、スパースグラフの先駆者を大幅に上回り、トポロジカルサンプリングコンテキストにおけるその効果を高める。 さらに、TraTopoはリンク予測を洗練するための最短パス戦略を採用し、予測オーバーヘッドを低減し、ラベル推測精度を向上させる。 経験的評価では、ノード分類におけるTraTopoの優位性が強調され、現在のGCNモデルよりも精度が高い。

関連論文リスト

• Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach [1.4854797901022863]
  本稿では,グラフの高密度領域からエッジを抽出する新鮮で柔軟なトラスグラフスペーシフィケーションモデルを提案する。 次に、GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool、AdamGNNといった最先端のベースラインGNNとプールモデルでスパーシフィケーションモデルを利用する。
  論文  参考訳（メタデータ） (2024-07-16T17:21:36Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Robust Node Classification on Graphs: Jointly from Bayesian Label Transition and Topology-based Label Propagation [5.037076816350975]
  近年、GNNに基づくノード分類の性能は、トポロジ的摂動により著しく低下する可能性があるという証拠が浮上している。 ベイジアンラベル遷移とトポロジに基づくラベル伝搬を統合した新しいラベル推論モデル LInDT を提案する。 5つのグラフデータセットの実験は、GNNに基づくノード分類において、位相摂動の3つのシナリオの下でLInDTの優位性を示す。
  論文  参考訳（メタデータ） (2022-08-21T01:56:25Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• Deperturbation of Online Social Networks via Bayesian Label Transition [5.037076816350975]
  オンラインソーシャルネットワーク(OSN)は、ユーザの活動と関心に基づいて、異なるカテゴリに分類する。 少数のユーザ(いわゆる摂動器)はOSN上でランダムな活動を行うことができ、GCNベースのノード分類タスクの性能を著しく低下させる。 我々は,ラベル遷移の概念を用いたGCNディフェンスモデル,すなわちGraphLTを開発した。
  論文  参考訳（メタデータ） (2020-10-27T08:15:12Z)

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。