論文の概要: Framework GNN-AID: Graph Neural Network Analysis Interpretation and Defense

• arxiv url: http://arxiv.org/abs/2505.03424v1
• Date: Tue, 06 May 2025 11:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.342974
• Title: Framework GNN-AID: Graph Neural Network Analysis Interpretation and Defense
• Title（参考訳）: フレームワークGNN-AID:グラフニューラルネットワーク解析の解釈と防御
• Authors: Kirill Lukyanov, Mikhail Drobyshevskiy, Georgii Sazonov, Mikhail Soloviov, Ilya Makarov,
• Abstract要約: GNN-AID(Graph Neural Network Analysis, Interpretation, and Defense)は,グラフデータのためのオープンソースのフレームワークである。 Pythonライブラリとして構築されたGNN-AIDは、高度な信頼メソッドとアーキテクチャレイヤをサポートし、グラフデータセットとGNNの振る舞いを分析できる。 グラフビジュアライゼーション用のツールを備えたWebインターフェースや、インタラクティブなモデルビルダーのようなノーコード機能も備えている。
• 参考スコア（独自算出の注目度）: 0.09986418756990156
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growing need for Trusted AI (TAI) highlights the importance of interpretability and robustness in machine learning models. However, many existing tools overlook graph data and rarely combine these two aspects into a single solution. Graph Neural Networks (GNNs) have become a popular approach, achieving top results across various tasks. We introduce GNN-AID (Graph Neural Network Analysis, Interpretation, and Defense), an open-source framework designed for graph data to address this gap. Built as a Python library, GNN-AID supports advanced trust methods and architectural layers, allowing users to analyze graph datasets and GNN behavior using attacks, defenses, and interpretability methods. GNN-AID is built on PyTorch-Geometric, offering preloaded datasets, models, and support for any GNNs through customizable interfaces. It also includes a web interface with tools for graph visualization and no-code features like an interactive model builder, simplifying the exploration and analysis of GNNs. The framework also supports MLOps techniques, ensuring reproducibility and result versioning to track and revisit analyses efficiently. GNN-AID is a flexible tool for developers and researchers. It helps developers create, analyze, and customize graph models, while also providing access to prebuilt datasets and models for quick experimentation. Researchers can use the framework to explore advanced topics on the relationship between interpretability and robustness, test defense strategies, and combine methods to protect against different types of attacks. We also show how defenses against evasion and poisoning attacks can conflict when applied to graph data, highlighting the complex connections between defense strategies. GNN-AID is available at \href{https://github.com/ispras/GNN-AID}{github.com/ispras/GNN-AID}
• Abstract（参考訳）: 信頼されたAI(TAI)の必要性の高まりは、機械学習モデルにおける解釈可能性と堅牢性の重要性を強調している。 しかし、多くの既存のツールはグラフデータを見落としており、これらの2つの側面を単一のソリューションに組み合わせることは滅多にありません。 グラフニューラルネットワーク(GNN)が一般的なアプローチとなり、さまざまなタスクで最高の結果が得られている。 GNN-AID(Graph Neural Network Analysis, Interpretation, and Defense)は,グラフデータのためのオープンソースのフレームワークである。 Pythonライブラリとして構築されたGNN-AIDは、高度な信頼メソッドとアーキテクチャレイヤをサポートし、攻撃、防御、解釈可能性メソッドを使用して、グラフデータセットとGNNの振る舞いを分析することができる。 GNN-AIDはPyTorch-Geometric上に構築されており、プリロードされたデータセット、モデル、カスタマイズ可能なインターフェースによる任意のGNNのサポートを提供する。 グラフ視覚化のためのツールとインタラクティブなモデルビルダーのようなノーコード機能を備えたWebインターフェースも備えており、GNNの探索と分析を簡素化している。 このフレームワークはMLOpsのテクニックもサポートしており、再現性と結果のバージョニングを効率的に追跡し、分析を再検討する。 GNN-AIDは、開発者と研究者のための柔軟なツールである。 開発者がグラフモデルを作成し、分析し、カスタマイズするのを助けると同時に、事前構築されたデータセットやモデルへのアクセスを提供して、迅速な実験を行うことができる。 研究者は、このフレームワークを使用して、解釈可能性と堅牢性の関係、防御戦略のテスト、さまざまなタイプの攻撃から保護するための方法の組み合わせについて、高度なトピックを探索することができる。 また,グラフデータに適用した場合,脱走攻撃や毒殺攻撃に対する防御が相反する可能性を示し,防衛戦略の複雑な関係を浮き彫りにする。 GNN-AID は \href{https://github.com/ispras/GNN-AID}{github.com/ispras/GNN-AID} で利用可能である。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Reliable Representations Make A Stronger Defender: Unsupervised Structure Refinement for Robust GNN [36.045702771828736]
  グラフニューラルネットワーク(GNN)は、グラフデータ上でのタスクの繁栄に成功している。 近年の研究では、グラフ構造を悪質に修正することで、攻撃者がGNNの性能を壊滅的に低下させることができることが示されている。 グラフ構造を最適化するための教師なしパイプラインSTABLEを提案する。
  論文  参考訳（メタデータ） (2022-06-30T10:02:32Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• GARNET: Reduced-Rank Topology Learning for Robust and Scalable Graph Neural Networks [15.448462928073635]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータでの学習を含むさまざまなアプリケーションにますます導入されている。 近年の研究では、GNNはグラフ敵攻撃に弱いことが示されている。 本稿では,GNNモデルの対角的ロバスト性を高めるため,スケーラブルなスペクトル法であるGARNETを提案する。
  論文  参考訳（メタデータ） (2022-01-30T06:32:44Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。 近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。 本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
  論文  参考訳（メタデータ） (2020-05-20T17:07:05Z)
• Adversarial Attacks and Defenses on Graphs: A Review, A Tool and Empirical Studies [73.39668293190019]
  敵攻撃は入力に対する小さな摂動によって容易に騙される。 グラフニューラルネットワーク(GNN)がこの脆弱性を継承することを実証している。 本調査では,既存の攻撃と防御を分類し,対応する最先端の手法を概観する。
  論文  参考訳（メタデータ） (2020-03-02T04:32:38Z)

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。