論文の概要: Robust Graph Condensation via Classification Complexity Mitigation

• arxiv url: http://arxiv.org/abs/2510.26451v1
• Date: Thu, 30 Oct 2025 12:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.813497
• Title: Robust Graph Condensation via Classification Complexity Mitigation
• Title（参考訳）: 分類複雑性緩和によるロバストグラフ凝縮
• Authors: Jiayi Luo, Qingyun Sun, Beining Yang, Haonan Yuan, Xingcheng Fu, Yanbiao Ma, Jianxin Li, Philip S. Yu,
• Abstract要約: グラフ凝縮は内在次元還元過程であり、より低い分類複雑性を持つ縮合グラフを合成する。 縮合グラフを滑らかな低次元多様体内に配置する3つのグラフデータ多様体学習モジュールを導入する。 さまざまな攻撃シナリオにおけるModelNameの堅牢性を示す実験。
• 参考スコア（独自算出の注目度）: 61.22258715077984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph condensation (GC) has gained significant attention for its ability to synthesize smaller yet informative graphs. However, existing studies often overlook the robustness of GC in scenarios where the original graph is corrupted. In such cases, we observe that the performance of GC deteriorates significantly, while existing robust graph learning technologies offer only limited effectiveness. Through both empirical investigation and theoretical analysis, we reveal that GC is inherently an intrinsic-dimension-reducing process, synthesizing a condensed graph with lower classification complexity. Although this property is critical for effective GC performance, it remains highly vulnerable to adversarial perturbations. To tackle this vulnerability and improve GC robustness, we adopt the geometry perspective of graph data manifold and propose a novel Manifold-constrained Robust Graph Condensation framework named MRGC. Specifically, we introduce three graph data manifold learning modules that guide the condensed graph to lie within a smooth, low-dimensional manifold with minimal class ambiguity, thereby preserving the classification complexity reduction capability of GC and ensuring robust performance under universal adversarial attacks. Extensive experiments demonstrate the robustness of \ModelName\ across diverse attack scenarios.
• Abstract（参考訳）: グラフ凝縮(GC)は、より小さいが情報的なグラフを合成する能力において大きな注目を集めている。 しかし、既存の研究はしばしば、元のグラフが破損したシナリオにおけるGCの堅牢性を見落としている。 このような場合、既存の頑健なグラフ学習技術は限られた有効性しか提供しないが、GCの性能は著しく低下する。 経験的調査と理論的解析の両方を通して、GCは本質的に本質的な次元還元過程であり、より低い分類複雑性を持つ凝縮グラフを合成することを明らかにする。 この特性は有効なGC性能には重要であるが、敵の摂動に対して非常に脆弱なままである。 この脆弱性に対処し、GCロバスト性を改善するために、グラフデータ多様体の幾何学的視点を採用し、MRGCという新しいマニフォールド制約付きロバストグラフ凝縮フレームワークを提案する。 具体的には、3つのグラフデータ多様体学習モジュールを導入し、このグラフを最小クラスあいまいさの少ない滑らかな低次元多様体内に配置し、GCの分類複雑性低減能力を保ち、普遍的敵攻撃下での堅牢な性能を確保する。 広範囲にわたる実験は、多様な攻撃シナリオにおける \ModelName\ の堅牢性を示している。

関連論文リスト

• Less is More: Towards Simple Graph Contrastive Learning [28.21633108265473]
  グラフコントラスト学習(GCL)は教師なしグラフ表現学習に対して強い期待を示しているが、ヘテロ親和性グラフに対する効果は限定的である。 既存の手法の多くは、複雑な拡張スキーム、複雑なエンコーダ、あるいは負のサンプリングに依存している。 グラフトポロジから構造的特徴を集約することでノード特徴雑音を緩和する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:50Z)
• GC-Bench: An Open and Unified Benchmark for Graph Condensation [54.70801435138878]
  我々は,グラフ凝縮の性能を解析するための総合的なグラフ凝縮ベンチマーク (GC-Bench) を開発した。 GC-Benchは、グラフ凝縮の特徴を以下の次元で体系的に研究している。 我々は,再現性のある研究を容易にするために,異なるGC手法を訓練し,評価するための簡易ライブラリを開発した。
  論文  参考訳（メタデータ） (2024-06-30T07:47:34Z)
• GC4NC: A Benchmark Framework for Graph Condensation on Node Classification with New Insights [30.796414860754837]
  グラフ凝縮(GC)は、元のグラフの本質的な情報を保持する、はるかに小さなグラフを学習するために設計された新興技術である。 本稿では,ノード分類における多様なGC手法を評価するための包括的フレームワークである textbfGC4NC を紹介する。 私たちの体系的な評価は、凝縮グラフがどのように振る舞うか、そしてその成功を導く重要な設計選択について、新しい洞察を与えます。
  論文  参考訳（メタデータ） (2024-06-24T15:17:49Z)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• EGC2: Enhanced Graph Classification with Easy Graph Compression [3.599345724913102]
  グラフ圧縮を容易にする拡張グラフ分類モデルであるEGC$2$を提案する。 EGC$2$は、特徴グラフの構築と集約ノードレベルの表現の改善によって、異なるノードの機能間の関係をキャプチャする。 7つのベンチマークデータセットの実験により,提案した特徴読み出し機構とグラフ圧縮機構により,様々な基本モデルの堅牢性が向上することが示された。
  論文  参考訳（メタデータ） (2021-07-16T07:17:29Z)

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。