論文の概要: Enhancing Swarms Durability to Threats via Graph Signal Processing and GNN-based Generative Modeling

• arxiv url: http://arxiv.org/abs/2507.03039v1
• Date: Thu, 03 Jul 2025 06:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.549625
• Title: Enhancing Swarms Durability to Threats via Graph Signal Processing and GNN-based Generative Modeling
• Title（参考訳）: グラフ信号処理とGNNに基づく生成モデルによるSwarmの脅威に対する耐久性向上
• Authors: Jonathan Karin, Zoe Piran, Mor Nitzan,
• Abstract要約: 本研究では,Swarmの安定性に影響を及ぼす外的摂動の役割について検討する。 捕食を調べることで、私たちは「検出可能性-耐久性のトレードオフ」を明らかにする。 本稿では,グラフニューラルネットワークに基づく生成モデルであるSwaGenを紹介する。
• 参考スコア（独自算出の注目度）: 2.1301560294088318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Swarms, such as schools of fish or drone formations, are prevalent in both natural and engineered systems. While previous works have focused on the social interactions within swarms, the role of external perturbations--such as environmental changes, predators, or communication breakdowns--in affecting swarm stability is not fully understood. Our study addresses this gap by modeling swarms as graphs and applying graph signal processing techniques to analyze perturbations as signals on these graphs. By examining predation, we uncover a "detectability-durability trade-off", demonstrating a tension between a swarm's ability to evade detection and its resilience to predation, once detected. We provide theoretical and empirical evidence for this trade-off, explicitly tying it to properties of the swarm's spatial configuration. Toward task-specific optimized swarms, we introduce SwaGen, a graph neural network-based generative model. We apply SwaGen to resilient swarm generation by defining a task-specific loss function, optimizing the contradicting trade-off terms simultaneously.With this, SwaGen reveals novel spatial configurations, optimizing the trade-off at both ends. Applying the model can guide the design of robust artificial swarms and deepen our understanding of natural swarm dynamics.
• Abstract（参考訳）: 魚やドローンなどの群れは、自然と工学の両方のシステムで広く使われている。 これまでの研究では、群れ内の社会的相互作用に焦点が当てられていたが、環境の変化、捕食者、コミュニケーションの破綻など、群れの安定性に影響を与える外部の摂動の役割は、完全には理解されていない。 本研究では,Swarmをグラフとしてモデル化し,これらのグラフ上での摂動を信号として解析するためにグラフ信号処理技術を適用することにより,このギャップを解消する。 捕食を調べたところ、「検出可能性と耐久性のトレードオフ」が明らかとなり、群れが捕食に対する耐性を回避できる能力と、一度検出された際の緊張関係が示された。 我々は、このトレードオフの理論的および実証的な証拠を提供し、Swarmの空間的構成の特性を明示的に結びつける。 タスク固有の最適化Swarmに向けて、グラフニューラルネットワークに基づく生成モデルであるSwaGenを紹介する。 タスク固有の損失関数を定義し、矛盾するトレードオフ項を同時に最適化することで、SwaGenを回復力のあるSwarm生成に適用し、このSwaGenは、新しい空間構成を明らかにし、両端のトレードオフを最適化する。 このモデルを適用することで、堅牢な人工群集の設計をガイドし、自然群集のダイナミクスの理解を深めることができる。

関連論文リスト

• Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting [4.791960848500047]
  本稿では,感染症の時間動態をモデル化する新しいCSTG(Causpatioal Neural Graph Network)フレームワークを提案する。 適応的な静的接続グラフを用いて、人間の移動性の安定な成分を表現し、これらのパターンの中で時間的ダイナミクスモデルゆらぎを利用する。 我々は,中国の地方レベルとドイツの州レベルで実世界のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2025-04-07T14:46:11Z)
• Adversarial Training for Graph Neural Networks via Graph Subspace Energy Optimization [39.720316105589326]
  本稿では,GNNのトポロジー摂動に対する頑健性の指標として,グラフ部分空間エネルギー(GSE)の新たな概念を提案する。 広範な実験により、AT-GSEは最先端のGNN敵の訓練方法よりも一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2024-12-25T12:04:18Z)
• Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion [61.751257172868186]
  動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。 既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
  論文  参考訳（メタデータ） (2023-11-24T02:42:42Z)
• Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach [12.856220339384269]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフベースのタスクに対処するための重要なコンポーネントとして、自らを確立している。 彼らの顕著な成功にもかかわらず、GNNは相変わらず敵の攻撃の形で摂動を入力できる。 本稿では, 連成力学系のレンズを用いて, 対向摂動に対するGNNの強化手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T20:06:48Z)
• 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)
• Adversarial Robustness Assessment of NeuroEvolution Approaches [1.237556184089774]
  CIFAR-10画像分類タスクにおける2つのNeuroEvolutionアプローチにより得られたモデルのロバスト性を評価する。 以上の結果から,進化したモデルが反復的手法で攻撃されると,その精度は通常0に低下するか0に近づきます。 これらの技法のいくつかは、元の入力に付加された摂動を悪化させ、頑丈さを損なう可能性がある。
  論文  参考訳（メタデータ） (2022-07-12T10:40:19Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Spatially Focused Attack against Spatiotemporal Graph Neural Networks [8.665638585791235]
  深時空間グラフニューラルネットワーク(GNN)は,トラフィック予測アプリケーションにおいて大きな成功を収めている。 GNNが現実世界の予測アプリケーションに脆弱性がある場合、ハッカーは簡単に結果を操作でき、交通渋滞や都市規模の破壊を引き起こす。
  論文  参考訳（メタデータ） (2021-09-10T01:31:53Z)
• Heterogeneous Face Frontalization via Domain Agnostic Learning [74.86585699909459]
  本研究では, 視覚領域における正面視を, ポーズのバリエーションで合成できるドメイン非依存学習型生成逆数ネットワーク(DAL-GAN)を提案する。 DAL-GANは、補助分類器を備えたジェネレータと、より優れた合成のために局所的およびグローバルなテクスチャ識別をキャプチャする2つの識別器から構成される。
  論文  参考訳（メタデータ） (2021-07-17T20:41:41Z)
• 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)

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。