Fugu-MT 論文翻訳(概要): Ralts: Robust Aggregation for Enhancing Graph Neural Network Resilience on Bit-flip Errors

論文の概要: Ralts: Robust Aggregation for Enhancing Graph Neural Network Resilience on Bit-flip Errors

arxiv url: http://arxiv.org/abs/2507.18804v1
Date: Thu, 24 Jul 2025 21:03:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.756591
Title: Ralts: Robust Aggregation for Enhancing Graph Neural Network Resilience on Bit-flip Errors
Title（参考訳）: Ralts: Bit-flipエラー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のためのロバスト集約
Authors: Wencheng Zou, Nan Wu,
Abstract要約: 本稿では,ビットフリップ誤りに対するGNNのロバスト性を包括的に分析する。本稿では,ビットフリップエラーに対するGNNレジリエンスを高めるための汎用的で軽量なソリューションであるRaltsを提案する。 Raltsはさまざまなグラフ類似度指標を利用して、アウトレーヤをフィルタリングし、妥協したグラフトポロジを復元する。
参考スコア（独自算出の注目度）: 10.361566017170295
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Graph neural networks (GNNs) have been widely applied in safety-critical applications, such as financial and medical networks, in which compromised predictions may cause catastrophic consequences. While existing research on GNN robustness has primarily focused on software-level threats, hardware-induced faults and errors remain largely underexplored. As hardware systems progress toward advanced technology nodes to meet high-performance and energy efficiency demands, they become increasingly susceptible to transient faults, which can cause bit flips and silent data corruption, a prominent issue observed by major technology companies (e.g., Meta and Google). In response, we first present a comprehensive analysis of GNN robustness against bit-flip errors, aiming to reveal system-level optimization opportunities for future reliable and efficient GNN systems. Second, we propose Ralts, a generalizable and lightweight solution to bolster GNN resilience to bit-flip errors. Specifically, Ralts exploits various graph similarity metrics to filter out outliers and recover compromised graph topology, and incorporates these protective techniques directly into aggregation functions to support any message-passing GNNs. Evaluation results demonstrate that Ralts effectively enhances GNN robustness across a range of GNN models, graph datasets, error patterns, and both dense and sparse architectures. On average, under a BER of $3\times10^{-5}$, these robust aggregation functions improve prediction accuracy by at least 20\% when errors present in model weights or node embeddings, and by at least 10\% when errors occur in adjacency matrices. Ralts is also optimized to deliver execution efficiency comparable to built-in aggregation functions in PyTorch Geometric.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、金融や医療ネットワークなどの安全クリティカルな応用に広く応用されており、予測が損なわれて破滅的な結果をもたらす可能性がある。 GNNのロバスト性に関する既存の研究は、主にソフトウェアレベルの脅威に焦点を当てているが、ハードウェアが引き起こした欠陥とエラーは、ほとんど未調査のままである。ハードウェアシステムが高性能でエネルギー効率の要求を満たすために先進的な技術ノードへと進むにつれ、過渡的な障害の影響を受けやすくなり、ビットフリップやサイレントなデータ破損を引き起こす可能性がある。そこで本研究では,ビットフリップ誤りに対するGNNのロバスト性を総合的に分析し,将来の信頼性と効率的なGNNシステムに対するシステムレベルの最適化の機会を明らかにすることを目的とした。第2に、ビットフリップエラーに対するGNNレジリエンスを強化するための一般化可能で軽量なソリューションであるRaltsを提案する。具体的には、Raltsはさまざまなグラフ類似度指標を利用して、外れ値をフィルタリングし、妥協したグラフトポロジを復元し、これらの保護技術を直接集約関数に組み込んで、メッセージパスGNNをサポートする。評価結果から,RaltsはGNNモデル,グラフデータセット,エラーパターン,密度とスパースの両方のアーキテクチャにおいて,GNNの堅牢性を効果的に向上することが示された。平均すると、この頑健な集約関数は、モデルの重みやノードの埋め込みに発生する誤差が少なくとも20 %、隣接行列にエラーが発生した場合、少なくとも10 %の精度で予測精度を向上させる。 Raltsはまた、PyTorch Geometricの組み込みアグリゲーション関数に匹敵する実行効率を提供するよう最適化されている。

関連論文リスト

NN-Former: Rethinking Graph Structure in Neural Architecture Representation [67.3378579108611]
グラフニューラルネットワーク(GNN)とトランスフォーマーは、ニューラルネットワークを表現する上で有望なパフォーマンスを示している。これまでの研究で見過ごされている間、兄弟ノードは中心的であることを示す。我々のアプローチは、精度と遅延予測の両方において、常に有望な性能を達成する。
論文参考訳（メタデータ） (2025-07-01T15:46:18Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文参考訳（メタデータ） (2023-12-19T12:25:10Z)
PyGFI: Analyzing and Enhancing Robustness of Graph Neural Networks Against Hardware Errors [3.2780036095732035]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習において,有望な学習パラダイムとして登場した。本稿では,ハードウェア故障とGNN精度の関係を理解することを目的とした,GNNレジリエンスの大規模かつ実証的研究を行う。
論文参考訳（メタデータ） (2022-12-07T06:14:14Z)
Robust Graph Neural Networks using Weighted Graph Laplacian [1.8292714902548342]
グラフニューラルネットワーク(GNN)は、入力データにおけるノイズや敵攻撃に対して脆弱である。重み付きラプラシアンGNN(RWL-GNN)として知られるGNNの強化のための汎用フレームワークを提案する。
論文参考訳（メタデータ） (2022-08-03T05:36:35Z)
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)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
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)
Task and Model Agnostic Adversarial Attack on Graph Neural Networks [8.075575946756759]
グラフニューラルネットワーク(GNN)は、様々な予測タスクにおける印象的なパフォーマンスのため、業界内で大きな採用が見られた。本研究では、GNNのこの側面を調査し、脆弱性を特定し、よりセキュアで堅牢なGNNの開発につながる可能性のあるグラフプロパティにリンクする。
論文参考訳（メタデータ） (2021-12-25T18:39:21Z)
CAP: Co-Adversarial Perturbation on Weights and Features for Improving Generalization of Graph Neural Networks [59.692017490560275]
敵の訓練は、敵の攻撃に対するモデルの堅牢性を改善するために広く実証されてきた。グラフ解析問題におけるGNNの一般化能力をどのように改善するかは、まだ不明である。我々は、重みと特徴量の観点から共振器摂動(CAP)最適化問題を構築し、重みと特徴の損失を交互に平らにする交互対振器摂動アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-10-28T02:28:13Z)
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)

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。