論文の概要: Learning to Compress Graphs via Dual Agents for Consistent Topological Robustness Evaluation

• arxiv url: http://arxiv.org/abs/2511.18958v1
• Date: Mon, 24 Nov 2025 10:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.153432
• Title: Learning to Compress Graphs via Dual Agents for Consistent Topological Robustness Evaluation
• Title（参考訳）: 連続的トポロジカルロバストネス評価のためのデュアルエージェントによるグラフ圧縮学習
• Authors: Qisen Chai, Yansong Wang, Junjie Huang, Tao Jia,
• Abstract要約: グラフをコンパクトな表現に圧縮し、トポロジ的構造とロバスト性プロファイルの両方を保存することを提案する。 Cutterは、バイタル検出エージェント(VDA)と冗長検出エージェント(RDA)からなる二重エージェント強化学習フレームワークである。
• 参考スコア（独自算出の注目度）: 7.878752226948897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As graph-structured data grow increasingly large, evaluating their robustness under adversarial attacks becomes computationally expensive and difficult to scale. To address this challenge, we propose to compress graphs into compact representations that preserve both topological structure and robustness profile, enabling efficient and reliable evaluation.We propose Cutter, a dual-agent reinforcement learning framework composed of a Vital Detection Agent (VDA) and a Redundancy Detection Agent (RDA), which collaboratively identify structurally vital and redundant nodes for guided compression. Cutter incorporates three key strategies to enhance learning efficiency and compression quality: trajectory-level reward shaping to transform sparse trajectory returns into dense, policy-equivalent learning signals; prototype-based shaping to guide decisions using behavioral patterns from both highand low-return trajectories; and cross-agent imitation to enable safer and more transferable exploration. Experiments on multiple real-world graphs demonstrate that Cutter generates compressed graphs that retain essential static topological properties and exhibit robustness degradation trends highly consistent with the original graphs under various attack scenarios, thereby significantly improving evaluation efficiency without compromising assessment fidelity.
• Abstract（参考訳）: グラフ構造化データの増大に伴い、敵攻撃下での堅牢性の評価は計算コストが高くなり、スケールが困難になる。 この課題に対処するため、我々は、グラフをコンパクトな表現に圧縮し、トポロジ的構造とロバスト性の両方を保存し、効率的で信頼性の高い評価を可能にすることを提案し、また、教師付き圧縮のための構造的に重要で冗長なノードを協調的に識別する、VDA(Vital Detection Agent)とRDA(Redundancy Detection Agent)からなる二重エージェント強化学習フレームワークであるCutterを提案する。 Cutterは、学習効率と圧縮品質を高めるための3つの重要な戦略を取り入れている: 軌跡レベルの報酬の整形 スパース軌跡を密度の高い政策等価な学習信号に変換すること プロトタイプベースの整形 ハイリターン軌跡とローリターン軌跡の両方からの行動パターンを使って決定を導くこと より安全でより移動可能な探索を可能にするクロスエージェント模倣。 複数の実世界のグラフの実験により、カッターは、重要な静的なトポロジ特性を保持し、様々な攻撃シナリオ下で元のグラフと高度に整合した堅牢性劣化傾向を示す圧縮グラフを生成し、その結果、評価の忠実さを損なうことなく、評価効率を著しく向上することを示した。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Robust Graph Condensation via Classification Complexity Mitigation [61.22258715077984]
  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。
  論文  参考訳（メタデータ） (2025-10-30T12:55:21Z)
• Self-Reinforced Graph Contrastive Learning [7.49025068464945]
  SRGCL(Self-Reinforced Graph Contrastive Learning)を提案する。 多様なグラフレベルの分類タスクの実験では、SRGCLは最先端のGCL法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-19T18:45:54Z)
• Improving $(α, f)$-Byzantine Resilience in Federated Learning via layerwise aggregation and cosine distance [7.8973037023478785]
  フェデレートラーニング(FL)は、分散機械学習におけるデータプライバシの課題に対する潜在的な解決策である。 FLシステムは、悪意のあるノードが破損したモデル更新に寄与するビザンティン攻撃に弱いままである。 本稿では,高次元設定における規則の堅牢性向上を目的とした新しいアグリゲーション手法であるLayerwise Cosine Aggregationを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T08:07:39Z)
• HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs [7.635985143883581]
  コンピュータビジョンにおける敵の攻撃に対する最も効果的な防御機構の1つとされる敵の訓練は、GNNの堅牢性を高めるという大きな約束を持っている。 本稿では,GNNと下流分類器の対摂動性を高める階層的制約改善フレームワーク(HC-Ref)を提案する。
  論文  参考訳（メタデータ） (2023-12-08T07:32:56Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Toward Enhanced Robustness in Unsupervised Graph Representation Learning: A Graph Information Bottleneck Perspective [48.01303380298564]
  我々はRobust Graph Information Bottleneck (RGIB) と呼ばれる新しい非バイアス頑健なUGRL手法を提案する。 我々のRGIBは、逆数グラフの逆数情報を排除しつつ、良性グラフの原情報を保存し、逆数摂動に対する頑健なノード表現を学習しようと試みている。
  論文  参考訳（メタデータ） (2022-01-21T06:26:50Z)
• 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)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。