論文の概要: Enhancing Graph Classification Robustness with Singular Pooling

• arxiv url: http://arxiv.org/abs/2510.22643v1
• Date: Sun, 26 Oct 2025 12:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.310825
• Title: Enhancing Graph Classification Robustness with Singular Pooling
• Title（参考訳）: Singular Poolingによるグラフ分類のロバスト性向上
• Authors: Sofiane Ennadir, Oleg Smirnov, Yassine Abbahaddou, Lele Cao, Johannes F. Lutzeyer,
• Abstract要約: グラフニューラルネットワーク(GNN)は,様々なグラフ表現学習タスクにおいて高い性能を達成している。 本稿では, 標準的な平らなプール法の理論解析を行い, 攻撃シナリオやグラフ構造の違いにより, 敵のリスクの上限を導出し, 脆弱性を識別する。 これらの知見に触発されて、我々は、ノード埋め込み行列の優越的な特異ベクトルを利用して頑健なグラフレベル表現を構築する新しいプーリング戦略である textitRobust Singular Pooling (RS-Pool) を提案する。
• 参考スコア（独自算出の注目度）: 11.537806919295098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved strong performance across a range of graph representation learning tasks, yet their adversarial robustness in graph classification remains underexplored compared to node classification. While most existing defenses focus on the message-passing component, this work investigates the overlooked role of pooling operations in shaping robustness. We present a theoretical analysis of standard flat pooling methods (sum, average and max), deriving upper bounds on their adversarial risk and identifying their vulnerabilities under different attack scenarios and graph structures. Motivated by these insights, we propose \textit{Robust Singular Pooling (RS-Pool)}, a novel pooling strategy that leverages the dominant singular vector of the node embedding matrix to construct a robust graph-level representation. We theoretically investigate the robustness of RS-Pool and interpret the resulting bound leading to improved understanding of our proposed pooling operator. While our analysis centers on Graph Convolutional Networks (GCNs), RS-Pool is model-agnostic and can be implemented efficiently via power iteration. Empirical results on real-world benchmarks show that RS-Pool provides better robustness than the considered pooling methods when subject to state-of-the-art adversarial attacks while maintaining competitive clean accuracy. Our code is publicly available at:\href{https://github.com/king/rs-pool}{https://github.com/king/rs-pool}.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,様々なグラフ表現学習タスクにおいて高い性能を達成している。 既存のディフェンスのほとんどはメッセージパッシングコンポーネントに重点を置いているが、この研究は、ロバスト性の形成におけるプール操作の見過ごされた役割を調査する。 本稿では,標準的な平らなプール法(sum, average, max)の理論的解析を行い,敵のリスクの上限を導出し,異なる攻撃シナリオやグラフ構造の下で脆弱性を識別する。 これらの知見に触発されて,ノード埋め込み行列の優越的な特異ベクトルを利用して頑健なグラフレベル表現を構築する,新しいプール戦略である「textit{Robust Singular Pooling (RS-Pool)} を提案する。 理論的にはRS-Poolのロバスト性について検討し、結果のバウンダリを解釈し、提案したプール演算子の理解を深める。 分析はグラフ畳み込みネットワーク(GCN)を中心にしているが、RS-Poolはモデルに依存しないため、電力反復により効率的に実装できる。 実世界のベンチマークによる実証的な結果は、RS-Poolが競合するクリーンな精度を維持しつつ、最先端の敵攻撃を受ける場合のプール方式よりも堅牢性が高いことを示している。 私たちのコードは:\href{https://github.com/king/rs-pool}{https://github.com/king/rs-pool}で公開されています。

関連論文リスト

• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes [53.08068729187698]
  本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。 提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-21T14:44:51Z)
• Edge-aware Hard Clustering Graph Pooling for Brain Imaging [8.425787611090776]
  本稿では,エッジ対応のハードクラスタリンググラフプール(EHCPool)を提案する。 EHCPoolは、データ駆動の観点から異なるタイプの機能不全脳ネットワークを探索する可能性がある。
  論文  参考訳（メタデータ） (2023-08-23T04:29:40Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
  グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
  論文  参考訳（メタデータ） (2021-04-27T07:27:43Z)

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。