論文の概要: Learning Structural Manipulability in Gate-Level Netlists Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.16245v1
• Date: Fri, 26 Jun 2026 12:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.054139
• Title: Learning Structural Manipulability in Gate-Level Netlists Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたゲートレベルネットリストの構造操作性学習
• Abstract要約: ゲートレベルのネットリストは、機能シミュレーションとは無関係に信号の伝播に影響を与える固有の構造特性を示す。 我々は,経路参加,kコア埋め込み,対称性,集中度を用いて,ノードレベルの構造的柔軟性を特徴付けるトポロジー駆動型構造的マニピュラビリティスコアを定義する。
• 参考スコア（独自算出の注目度）: 5.487972363969534
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Gate-level netlists exhibit intrinsic structural properties that influence signal propagation independently of functional simulation. We define a topology-driven structural manipulability score that characterizes node-level structural flexibility using path participation, k-core embedding, symmetry, and centrality. Modeling netlists as directed graphs, we formulate node-level regression to learn this topology-derived score using graph neural networks (GNNs). Experiments on ISCAS85 and EPFL benchmarks evaluate how effectively different GNN architectures approximate this metric across held-out circuits, with hierarchical models yielding the most consistent rankings. Component-level and ablation analyses examine the contribution of individual factors. As an illustrative case study, analysis of Trojan-injected circuits using TrustHub templates reveals statistically distinguishable structural patterns, indicating that topology-based scoring provides complementary structural insight.
• Abstract（参考訳）: ゲートレベルのネットリストは、機能シミュレーションとは無関係に信号の伝播に影響を与える固有の構造特性を示す。 我々は,経路参加,kコア埋め込み,対称性,集中度を用いて,ノードレベルの構造的柔軟性を特徴付けるトポロジー駆動型構造的マニピュラビリティスコアを定義する。 ネットリストを有向グラフとしてモデル化し、ノードレベルの回帰を定式化し、グラフニューラルネットワーク(GNN)を用いてこのトポロジ由来のスコアを学習する。 ISCAS85 と EPFL のベンチマーク実験では、GNN アーキテクチャが保持回路間でいかに効果的に近似するかが評価され、階層モデルが最も一貫性のあるランキングが得られる。 成分レベルおよびアブレーション分析は、個々の要因の寄与について検討する。 実証的なケーススタディとして、TrustHubテンプレートを用いたトロイの木馬注入回路の解析は統計的に区別可能な構造パターンを示し、トポロジーに基づくスコアリングが相補的な構造的洞察を与えることを示している。

関連論文リスト

• Structure-Feature Aligned Graph Learning via Alternating Constrained Optimization [7.881713230406407]
  本稿では,構造条件付きGNN埋め込みと,アンカーモデルで事前に学習されていた構造自由機能とを一致させる,ノード予測のための制約付き2ビューフレームワークを提案する。 また,グローバルスペクトル平滑化と局所空間識別の表現をノードワイズゲーティング機構により動的にルーティングするChannel-Split Adaptive Gated GNN (CSAG-GNN)を提案する。
  論文  参考訳（メタデータ） (2026-07-13T13:58:52Z)
• On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
  レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
  論文  参考訳（メタデータ） (2025-12-08T10:19:43Z)
• Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
  グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。 本稿では,構造的多様性に基づくパラメータフリーグラフニューラルネットワークフレームワークを提案する。 このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
  論文  参考訳（メタデータ） (2025-08-27T13:42:45Z)
• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
  グラフ機械学習のための総合的なベンチマークフレームワークを導入する。 我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。 その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
  論文  参考訳（メタデータ） (2024-06-04T20:40:06Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• Alleviating neighbor bias: augmenting graph self-supervise learning with structural equivalent positive samples [1.0507062889290775]
  グラフ表現学習のための信号駆動型自己教師方式を提案する。 トポロジカル情報誘導構造等価サンプリング戦略を用いる。 その結果,モデルの性能を効果的に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-08T16:04:06Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。