論文の概要: A Modality-Aware Cooperative Co-Evolutionary Framework for Multimodal Graph Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2510.07325v1
• Date: Tue, 23 Sep 2025 07:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.843748
• Title: A Modality-Aware Cooperative Co-Evolutionary Framework for Multimodal Graph Neural Architecture Search
• Title（参考訳）: マルチモーダルグラフニューラルアーキテクチャ探索のためのモダリティを考慮した協調進化型フレームワーク
• Authors: Sixuan Wang, Jiao Yin, Jinli Cao, Mingjian Tang, Yong-Feng Ge,
• Abstract要約: ソフトウェア脆弱性に対する共同捜査攻撃は、企業に深刻なリスクをもたらす。 マルチモーダルグラフニューラルアーキテクチャ探索のためのモダリティ対応協調進化アルゴリズムを提案する。 MACC-MGNASは、GPU時間でわずか3時間で81.67%のF1スコアを達成し、最先端のF1よりも8.7%向上した。
• 参考スコア（独自算出の注目度）: 2.7580602283263835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Co-exploitation attacks on software vulnerabilities pose severe risks to enterprises, a threat that can be mitigated by analyzing heterogeneous and multimodal vulnerability data. Multimodal graph neural networks (MGNNs) are well-suited to integrate complementary signals across modalities, thereby improving attack-prediction accuracy. However, designing an effective MGNN architecture is challenging because it requires coordinating modality-specific components at each layer, which is infeasible through manual tuning. Genetic algorithm (GA)-based graph neural architecture search (GNAS) provides a natural solution, yet existing methods are confined to single modalities and overlook modality heterogeneity. To address this limitation, we propose a modality-aware cooperative co-evolutionary algorithm for multimodal graph neural architecture search, termed MACC-MGNAS. First, we develop a modality-aware cooperative co-evolution (MACC) framework under a divide-and-conquer paradigm: a coordinator partitions a global chromosome population into modality-specific gene groups, local workers evolve them independently, and the coordinator reassembles chromosomes for joint evaluation. This framework effectively captures modality heterogeneity ignored by single-modality GNAS. Second, we introduce a modality-aware dual-track surrogate (MADTS) method to reduce evaluation cost and accelerate local gene evolution. Third, we design a similarity-based population diversity indicator (SPDI) strategy to adaptively balance exploration and exploitation, thereby accelerating convergence and avoiding local optima. On a standard vulnerabilities co-exploitation (VulCE) dataset, MACC-MGNAS achieves an F1-score of 81.67% within only 3 GPU-hours, outperforming the state-of-the-art competitor by 8.7% F1 while reducing computation cost by 27%.
• Abstract（参考訳）: ソフトウェア脆弱性に対する共暴露攻撃は、不均一かつマルチモーダルな脆弱性データを解析することで、脅威を軽減することができる企業に対して重大なリスクをもたらす。 マルチモーダルグラフニューラルネットワーク(MGNN)は、モダリティ間で補完的な信号を統合するのに適しているため、攻撃予測精度が向上する。 しかし,MGNNアーキテクチャを効果的に設計するには,手動チューニングによって実現不可能な,各層におけるモダリティ固有のコンポーネントの調整が必要であるため,困難である。 遺伝的アルゴリズム(GA)に基づくグラフニューラルアーキテクチャサーチ(GNAS)は自然解を提供するが、既存の手法は単一のモダリティに制限され、モダリティの不均一性を見落としている。 この制限に対処するため、MACC-MGNASと呼ばれるマルチモーダルグラフニューラルアーキテクチャ探索のためのモダリティ対応協調進化アルゴリズムを提案する。 まず、コーディネータは、グローバル染色体集団をモダリティ特異的遺伝子グループに分割し、ローカルワーカーはそれらを独立して進化させ、コーディネータは共同評価のために染色体を再組み立てする。 この枠組みは、単一のモダリティGNASによって無視されるモダリティの不均一性を効果的に捉える。 次に,MADTS (Modality-aware dual-track surrogate) 法を提案する。 第3に、類似性に基づく集団多様性指標(SPDI)戦略を設計し、探索と利用を適応的にバランスさせ、収束を加速し、局所最適を避ける。 標準的な脆弱性共探索(VulCE)データセットでは、MACC-MGNASがわずか3GPU時間でF1スコアの81.67%を達成し、最先端の競合である8.7%のF1を上回り、計算コストを27%削減した。

関連論文リスト

• Heterogeneous Multi-agent Collaboration in UAV-assisted Mobile Crowdsensing Networks [6.226837215382989]
  無人航空機(UAV)による移動式クラウドセンシング(MCS)は,データ収集において有望なパラダイムとして浮上している。 我々は,センサ,通信,資源配分の効率的な調整を妨げる,スペクトル不足,デバイス計算,ユーザモビリティといった課題に対処する。
  論文  参考訳（メタデータ） (2025-09-28T02:13:19Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization [25.633698252033756]
  本稿では,DRLの学習効率をGAのグローバル検索能力と相乗化するための進化的拡張機構を提案する。 EAMは、学習されたポリシーからソリューションを生成し、クロスオーバーや突然変異といったドメイン固有の遺伝子操作によってそれらを精製することで機能する。 EAMは、アテンションモデル、POMO、SymNCOのような最先端のDRLソルバとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-06-11T05:17:30Z)
• Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
  本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。 提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-04-11T01:46:18Z)
• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• A Pairwise Comparison Relation-assisted Multi-objective Evolutionary Neural Architecture Search Method with Multi-population Mechanism [56.09418231453024]
  ニューラルアーキテクチャサーチ(NAS)により、研究者は広大なサーチスペースを自動的に探索し、効率的なニューラルネットワークを見つけることができる。 NASは重要なボトルネックに悩まされており、探索プロセス中に多くのアーキテクチャを評価する必要がある。 SMEM-NASは,多集団構造に基づく相互比較比較支援型多目的進化アルゴリズムである。
  論文  参考訳（メタデータ） (2024-07-22T12:46:22Z)
• Accelerating Distributed Optimization: A Primal-Dual Perspective on Local Steps [4.471962177124311]
  分散機械学習では、異なるデータを持つ複数のエージェントにまたがる線形変数が大きな課題となる。 本稿では,原変数上のラグランジアン収束を実現するフレームワークは,エージェント間通信を必要としないことを示す。
  論文  参考訳（メタデータ） (2024-07-02T22:14:54Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• ImmuNetNAS: An Immune-network approach for searching Convolutional Neural Network Architectures [9.880887106904517]
  ImmuNetNASは、免疫ネットワーク理論に触発された新しいニューラルネットワーク探索(NAS)アプローチである。 ImmuNetNASのコアはオリジナルの免疫ネットワークアルゴリズムに基づいて構築されており、過剰な突然変異と選択によって人口を反復的に更新する。
  論文  参考訳（メタデータ） (2020-02-28T13:32:57Z)
• Q-GADMM: Quantized Group ADMM for Communication Efficient Decentralized Machine Learning [66.18202188565922]
  我々はQGADMM(QGADMM)という通信効率の高い分散機械学習(ML)アルゴリズムを提案する。 我々は,凸関数に対するQGADMMの収束性を証明しつつ,モデル化レベルとその確率を適応的に調整する新しい量子化法を開発した。
  論文  参考訳（メタデータ） (2019-10-23T10:47:06Z)

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。