論文の概要: Vision Paper: Designing Graph Neural Networks in Compliance with the European Artificial Intelligence Act

• arxiv url: http://arxiv.org/abs/2410.22120v1
• Date: Tue, 29 Oct 2024 15:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:43:10.809437
• Title: Vision Paper: Designing Graph Neural Networks in Compliance with the European Artificial Intelligence Act
• Title（参考訳）: ビジョンペーパー:欧州人工知能法に準拠したグラフニューラルネットワークの設計
• Authors: Barbara Hoffmann, Jana Vatter, Ruben Mayer,
• Abstract要約: 本稿では、複雑なグラフ構造化データを扱うGNNのためのAI法がもたらす固有の課題に対処する。 データ管理、データガバナンス、堅牢性、人間の監視、プライバシーに関する法律の要件は、GNNの適切な戦略を必要とする。
• 参考スコア（独自算出の注目度）: 4.676784872259776
• License:
• Abstract: The European Union's Artificial Intelligence Act (AI Act) introduces comprehensive guidelines for the development and oversight of Artificial Intelligence (AI) and Machine Learning (ML) systems, with significant implications for Graph Neural Networks (GNNs). This paper addresses the unique challenges posed by the AI Act for GNNs, which operate on complex graph-structured data. The legislation's requirements for data management, data governance, robustness, human oversight, and privacy necessitate tailored strategies for GNNs. Our study explores the impact of these requirements on GNN training and proposes methods to ensure compliance. We provide an in-depth analysis of bias, robustness, explainability, and privacy in the context of GNNs, highlighting the need for fair sampling strategies and effective interpretability techniques. Our contributions fill the research gap by offering specific guidance for GNNs under the new legislative framework and identifying open questions and future research directions.
• Abstract（参考訳）: 欧州連合の人工知能法(AI Act)は、人工知能(AI)と機械学習(ML)システムの開発と監視に関する包括的なガイドラインを導入し、グラフニューラルネットワーク(GNN)に大きな影響を与える。 本稿では、複雑なグラフ構造化データを扱うGNNのためのAI法がもたらす固有の課題に対処する。 データ管理、データガバナンス、堅牢性、人間の監視、プライバシーに関する法律の要件は、GNNの適切な戦略を必要とする。 本研究は,これらの要件がGNNトレーニングに与える影響について検討し,コンプライアンスを確保する方法を提案する。 我々は、GNNの文脈におけるバイアス、堅牢性、説明可能性、プライバシーの詳細な分析を行い、公平なサンプリング戦略と効果的な解釈可能性技術の必要性を強調した。 我々の貢献は、新しい立法枠組みの下でGNNに具体的なガイダンスを提供し、オープンな質問と今後の研究方向性を特定することで、研究ギャップを埋める。

関連論文リスト

• Review of Digital Asset Development with Graph Neural Network Unlearning [0.0]
  本稿では,デジタル資産管理におけるグラフニューラルネットワーク(GNN)の重要性について検討する。 我々は,GNNアーキテクチャに特化して,革新的なアンラーニング手法を導入する。 不正検出、リスク評価、トークン関係予測、分散ガバナンスなど、さまざまなユースケースにおける適用性を強調した。
  論文  参考訳（メタデータ） (2024-09-27T05:31:04Z)
• IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks [68.6374698896505]
  グラフニューラルネットワーク(GNN)は、ますます多くのアプリケーションにデプロイされている。 トレーニングされたGNNがデプロイされ、潜在的攻撃者に対して公開されると、プライバシリークが発生する可能性がある。 我々は,GNNのための柔軟で認定されたアンラーニングを実現するために,IDEAというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-28T04:59:59Z)
• Survey of Graph Neural Network for Internet of Things and NextG Networks [3.591122855617648]
  グラフニューラルネットワーク(GNN)は、洞察を効果的にモデル化し抽出するための有望なパラダイムとして登場した。 この調査は、GNNの用語、アーキテクチャ、および異なるタイプのGNNについて、詳細な説明を提供する。 次に、GNNがネットワークシステムや戦術システムにどのように活用されているかについて詳細な説明を行う。
  論文  参考訳（メタデータ） (2024-05-27T16:10:49Z)
• 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)
• GNNBleed: Inference Attacks to Unveil Private Edges in Graphs with Realistic Access to GNN Models [3.0509197593879844]
  本稿では,敵がブラックボックスGNNモデルアクセスを持つ状況におけるエッジプライバシについて検討する。 我々は,GNNのメッセージパッシング機構に基づく一連のプライバシ攻撃を導入する。
  論文  参考訳（メタデータ） (2023-11-03T20:26:03Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術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） (2023-06-02T23:36:49Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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。