論文の概要: Community detection robustness of graph neural networks

• arxiv url: http://arxiv.org/abs/2509.24662v1
• Date: Mon, 29 Sep 2025 12:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.961298
• Title: Community detection robustness of graph neural networks
• Title（参考訳）: グラフニューラルネットワークのコミュニティ検出ロバスト性
• Authors: Jaidev Goel, Pablo Moriano, Ramakrishnan Kannan, Yulia R. Gel,
• Abstract要約: グラフニューラルネットワーク(GNN)は、属性付きネットワークのコミュニティ検出にますます利用されている。 我々は、GCN、GAT、Graph-SAGE、DiffPool、MinCUT、DMoNの6つの広く採用されているGNNアーキテクチャを評価した。 教師なしGNNは高いベースライン精度を達成する傾向があるが、教師なしの手法、特にDMoNは強いレジリエンスを維持している。
• 参考スコア（独自算出の注目度）: 19.213455157528912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) are increasingly widely used for community detection in attributed networks. They combine structural topology with node attributes through message passing and pooling. However, their robustness or lack of thereof with respect to different perturbations and targeted attacks in conjunction with community detection tasks is not well understood. To shed light into latent mechanisms behind GNN sensitivity on community detection tasks, we conduct a systematic computational evaluation of six widely adopted GNN architectures: GCN, GAT, Graph- SAGE, DiffPool, MinCUT, and DMoN. The analysis covers three perturbation categories: node attribute manipulations, edge topology distortions, and adversarial attacks. We use element-centric similarity as the evaluation metric on synthetic benchmarks and real-world citation networks. Our findings indicate that supervised GNNs tend to achieve higher baseline accuracy, while unsupervised methods, particularly DMoN, maintain stronger resilience under targeted and adversarial pertur- bations. Furthermore, robustness appears to be strongly influenced by community strength, with well-defined communities reducing performance loss. Across all models, node attribute perturba- tions associated with targeted edge deletions and shift in attribute distributions tend to cause the largest degradation in community recovery. These findings highlight important trade-offs between accuracy and robustness in GNN-based community detection and offer new insights into selecting architectures resilient to noise and adversarial attacks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、属性付きネットワークのコミュニティ検出に広く利用されている。 メッセージパッシングとプーリングを通じて、構造的トポロジとノード属性を組み合わせる。 しかし, 群集検出タスクと連動して, 異なる摂動や標的攻撃に対して, その頑健さや欠如がよく理解されていない。 コミュニティ検出タスクにおけるGNN感度の背後にある潜伏機構に光を当てるために,GCN,GAT,Graph-SAGE,DiffPool,MinCUT,DMoNの6つの広く採用されているGNNアーキテクチャを体系的に評価する。 この分析は、ノード属性の操作、エッジトポロジーの歪み、敵攻撃の3つの摂動カテゴリをカバーする。 合成ベンチマークや実世界の引用ネットワークにおける評価指標として,要素中心の類似性を用いる。 以上の結果から,非教師的手法,特にDMoNは,対向的・対向的な摂動境界の下で強いレジリエンスを保ちつつ,教師的GNNの精度が向上する傾向が示唆された。 さらに、堅牢性はコミュニティの強みに強く影響され、明確に定義されたコミュニティはパフォーマンスの損失を減らす。 すべてのモデルにおいて、ノード属性のパーターバイオンは、ターゲットエッジの削除と属性分布のシフトに関連付けられ、コミュニティの回復において最大の劣化を引き起こす傾向にある。 これらの知見は、GNNベースのコミュニティ検出における正確性と堅牢性の間の重要なトレードオフを強調し、ノイズや敵攻撃に耐性のあるアーキテクチャの選択に関する新たな洞察を提供する。

関連論文リスト

• Non-Dissipative Graph Propagation for Non-Local Community Detection [14.99394337842476]
  本稿では,新しい教師なしコミュニティ検出手法であるunsupervised Antisymmetric Graph Neural Network (uAGNN)を紹介する。 従来手法では長距離依存性を活用できなかった,中・中程度のヘテロフレンドリーな環境下での uAGNN の優れた性能を示す。 これらの結果は、多様なグラフ環境において、教師なしのコミュニティ検出のための強力なツールとしての uAGNN の可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-15T12:26:48Z)
• Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
  近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。 ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
  論文  参考訳（メタデータ） (2024-12-11T17:17:02Z)
• RW-NSGCN: A Robust Approach to Structural Attacks via Negative Sampling [10.124585385676376]
  グラフニューラルネットワーク(GNN)は、ユーザ関心の予測やソーシャルネットワーク内のコミュニティの検出など、さまざまな実践シナリオに広く応用されている。 近年の研究では、グラフ構造ネットワークは、しばしばトポロジカル摂動と重み乱の形で潜在的なノイズや攻撃を含むことが示されている。 RW-NSGCNはRandom Walk with Restart(RWR)とPageRankアルゴリズムを統合して負のサンプリングを行い、畳み込み操作にDeterminantal Point Process(DPP)ベースのGCNを用いる。
  論文  参考訳（メタデータ） (2024-08-13T06:34:56Z)
• Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
  本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。 グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。 本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
  論文  参考訳（メタデータ） (2024-07-09T03:59:06Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
  本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。 ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。 その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T17:20:23Z)
• Detecting Topology Attacks against Graph Neural Networks [39.968619861265395]
  本稿では,GNNに対するトポロジ攻撃による被害者ノード検出問題について検討する。 我々のアプローチは、GNNの本質的なメッセージパッシングの性質に根ざした重要な観測に基づいている。
  論文  参考訳（メタデータ） (2022-04-21T13:08:25Z)
• Uncertainty-Matching Graph Neural Networks to Defend Against Poisoning Attacks [43.60973654460398]
  グラフニューラルネットワーク(GNN)は、ニューラルネットワークからグラフ構造化データへの一般化である。 GNNは敵の攻撃に弱い、すなわち、構造に対する小さな摂動は、非自明な性能劣化を引き起こす可能性がある。 本稿では,GNNモデルの堅牢性向上を目的とした不確実性マッチングGNN(UM-GNN)を提案する。
  論文  参考訳（メタデータ） (2020-09-30T05:29:42Z)

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。