論文の概要: SpecSphere: Dual-Pass Spectral-Spatial Graph Neural Networks with Certified Robustness

• arxiv url: http://arxiv.org/abs/2505.08320v1
• Date: Tue, 13 May 2025 08:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.479192
• Title: SpecSphere: Dual-Pass Spectral-Spatial Graph Neural Networks with Certified Robustness
• Title（参考訳）: SpecSphere: 認証ロバスト性を持つデュアルパススペクトル空間グラフニューラルネットワーク
• Authors: Yoonhyuk Choi, Chong-Kwon Kim,
• Abstract要約: SpecSphereは、最初のデュアルパススペクトル空間GNNで、$ell_0$のエッジフリップと$ell_inftyversaの特徴摂動に対する全ての予測を認証する。 本モデルでは,Chebyshev-polynomial スペクトル分枝と注目空間分枝を結合し,その表現を協調アドリアル min-max ゲームで訓練した軽量なゲームを通して融合する。
• 参考スコア（独自算出の注目度）: 1.7495213911983414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce SpecSphere, the first dual-pass spectral-spatial GNN that certifies every prediction against both $\ell\_{0}$ edge flips and $\ell\_{\infty}$ feature perturbations, adapts to the full homophily-heterophily spectrum, and surpasses the expressive power of 1-Weisfeiler-Lehman while retaining linear-time complexity. Our model couples a Chebyshev-polynomial spectral branch with an attention-gated spatial branch and fuses their representations through a lightweight MLP trained in a cooperative-adversarial min-max game. We further establish (i) a uniform Chebyshev approximation theorem, (ii) minimax-optimal risk across the homophily-heterophily spectrum, (iii) closed-form robustness certificates, and (iv) universal approximation strictly beyond 1-WL. SpecSphere achieves state-of-the-art node-classification accuracy and delivers tighter certified robustness guarantees on real-world benchmarks. These results demonstrate that high expressivity, heterophily adaptation, and provable robustness can coexist within a single, scalable architecture.
• Abstract（参考訳）: SpecSphereは、$\ell\_{0}$ edge flipsと$\ell\_{\infty}$機能摂動に対する全ての予測を証明し、完全なホモフィリヘテロフィリースペクトルに適応し、線形時間複雑性を維持しながら1-Weisfeiler-Lehmanの表現力を超える最初のデュアルパススペクトル空間GNNである。 本モデルでは,Chebyshev-polynomial スペクトル分枝と注目空間分枝を結合し,その表現を協調的・対向的なmin-maxゲームで訓練された軽量MPPを通して融合する。 さらなる確立 (i)一様チェビシェフ近似定理 (II)ホモフィリー・ヘテロフィリースペクトルにおける極小最大最適リスク 三 クローズドフォーム堅牢性証明書及び (4) 普遍近似は 1-WL を超えない。 SpecSphereは最先端のノード分類精度を実現し、現実世界のベンチマークでより厳格な堅牢性を保証する。 これらの結果は、高い表現性、ヘテロフィリ適応、証明可能なロバスト性は、単一のスケーラブルなアーキテクチャ内で共存可能であることを示す。

関連論文リスト

• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [75.25966323298003]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 我々は、$textbfC$amera-$textbfA$gnostic $textbfR$esupervised $textbfL$のモデルである$textbfCARL$を紹介した。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Federated Structured Sparse PCA for Anomaly Detection in IoT Networks [1.4500146354034478]
  本稿では,IoTネットワークにおける新しいフェデレーション型異常最小化手法を提案する。 提案したモデルは,$ell_2, sparse$で管理される行単位の空間性を統合する。 実験により、構造的疎結合が両方のモデルの解釈可能性を高めることが証明された。
  論文  参考訳（メタデータ） (2025-03-31T11:50:21Z)
• DiffFormer: a Differential Spatial-Spectral Transformer for Hyperspectral Image Classification [3.271106943956333]
  超スペクトル画像分類(HSIC)は、高次元データをスペクトル情報と空間情報で分析する可能性から注目されている。 本稿では、スペクトル冗長性や空間不連続性といったHSICの固有の課題に対処するために、差分空間スペクトル変換器(DiffFormer)を提案する。 ベンチマークハイパースペクトルデータセットの実験は、分類精度、計算効率、一般化可能性の観点から、DiffFormerの優位性を示す。
  論文  参考訳（メタデータ） (2024-12-23T07:21:41Z)
• Point-Calibrated Spectral Neural Operators [54.13671100638092]
  点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。 点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Parameter-efficient Fine-tuning in Hyperspherical Space for Open-vocabulary Semantic Segmentation [10.502680141980642]
  オープンボキャブラリセマンティックセグメンテーションは、画像中の各ピクセルに任意のテキスト記述をラベル付けしようとする。 視覚言語基盤モデル、特にCLIPは、オープン語彙能力を取得するための強力なツールとして登場した。 H-CLIPは、CLIPの総パラメータの約4%を更新するだけで、新しいSOTAオープン語彙セマンティックセマンティックセマンティクス結果を達成する。
  論文  参考訳（メタデータ） (2024-05-29T07:41:34Z)
• Information-Theoretic Limits and Strong Consistency on Binary Non-uniform Hypergraph Stochastic Block Models [0.0]
  非一様ハイパーグラフブロックモデル(HSBM)の下でのランダムハイパーグラフの教師なし分類問題 本稿では,クラスタリング精度と強い一貫性しきい値に対する情報理論の限界を確立する。
  論文  参考訳（メタデータ） (2023-06-12T03:38:25Z)
• Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
  本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。 本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
  論文  参考訳（メタデータ） (2022-05-17T01:41:06Z)
• Structural Extensions of Basis Pursuit: Guarantees on Adversarial Robustness [0.0]
  BP の安定性は以下の一般化に成り立つことを証明している。 それらの群の$ell$ノルムに基づく分類を導入し、それが正確であり、かなりのスピードアップをもたらすことを数値的に示す。
  論文  参考訳（メタデータ） (2022-05-05T09:12:07Z)
• The Sample Complexity of One-Hidden-Layer Neural Networks [57.6421258363243]
  本研究では,スカラー値を持つ一層ネットワークのクラスとユークリッドノルムで有界な入力について検討する。 隠蔽層重み行列のスペクトルノルムの制御は、一様収束を保証するには不十分であることを示す。 スペクトルノルム制御が十分であることを示す2つの重要な設定を解析する。
  論文  参考訳（メタデータ） (2022-02-13T07:12:02Z)
• Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
  本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。 我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。 シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-08T11:48:46Z)

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。