Fugu-MT 論文翻訳(概要): Reachability-Based Formal Verification of Graph Neural Networks with Node and Edge Features

論文の概要: Reachability-Based Formal Verification of Graph Neural Networks with Node and Edge Features

arxiv url: http://arxiv.org/abs/2609.30079v1
Date: Thu, 24 Sep 2026 16:29:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:10.105142
Title: Reachability-Based Formal Verification of Graph Neural Networks with Node and Edge Features
Title（参考訳）: ノードとエッジを持つグラフニューラルネットワークの到達可能性に基づく形式検証
Abstract要約: ニューラルネットワーク検証(NNV)フレームワークをGraphStarセットを通じてグラフ構造化入力に拡張する。我々は,IEEE-24,IEEE-39,IEEE-118テストケースにおいて,PF,OPF,CFAの3つのパワーシステムタスクにわたるGNNVを評価する。以上の結果から,GNNVはReLUに基づくアクティベーションを持つグラフ分類モデルにおいて,CORAよりも頑健性を保証することが示唆された。
参考スコア（独自算出の注目度）: 13.563492650704012
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph neural networks (GNNs) have become a prominent approach for developing fast, topology-aware surrogates in electric power systems, supporting tasks such as power flow (PF) analysis, optimal power flow (OPF) estimation, and cascading failure analysis (CFA). Despite this growing use, formally verifying GNN-based models remains challenging, with existing methods limited in scope. We extend the neural network verification (NNV) framework to graph-structured inputs through GraphStar sets, a generalization of Star sets that captures uncertainty over both node and edge features. This extension enables the propagation of linear message-passing operations and the sound approximation of ReLU nonlinearities for GNN architectures, including graph convolutional network (GCN) and graph isomorphism network with edge features (GINE) layers. We evaluate GNNV across three power system tasks, PF, OPF, and CFA, on the IEEE-24, IEEE-39, and IEEE-118 test cases, as well as two standard graph classification benchmarks, ENZYMES and PROTEINS. Our results show that GNNV provides tighter robustness guarantees than CORA on graph classification models with ReLU-based activations and, for the first time, delivers edge-aware robustness guarantees for GINE-based PF and OPF models under joint node and edge perturbations.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、電力系統における高速でトポロジを意識したサロゲートの開発において、電力フロー(PF)解析、最適電力フロー(OPF)推定、カスケード故障解析(CFA)などのタスクをサポートする顕著なアプローチとなっている。このような利用の増加にもかかわらず、GNNベースのモデルを公式に検証することは依然として困難であり、既存のメソッドはスコープが限られている。ニューラルネットワーク検証(NNV)フレームワークをGraphStarセットを通じてグラフ構造化インプットに拡張する。この拡張により、グラフ畳み込みネットワーク(GCN)やグラフ同型ネットワーク(GINE)層を含むGNNアーキテクチャにおける線形メッセージパッシング操作の伝搬とReLU非線形性の音響近似が可能となる。 IEEE-24, IEEE-39, IEEE-118テストケースとENZYMES, PROTEINSの2つの標準グラフ分類ベンチマークを用いて, GNNVを3つのパワーシステムタスク(PF, OPF, CFA)で評価した。以上の結果から,GNNVはReLUに基づくアクティベーションを持つグラフ分類モデルにおいてCORAよりも厳密なロバスト性保証を提供し,GINEベースのPFモデルとOPFモデルに対して結合ノードとエッジの摂動下で初めてエッジ認識ロバスト性保証を提供することがわかった。

関連論文リスト

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)
GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
論文参考訳（メタデータ） (2025-10-08T17:45:59Z)
Generalization of Graph Neural Network Models for Distribution Grid Fault Detection [2.183622338864934]
本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。 IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
論文参考訳（メタデータ） (2025-10-03T23:46:31Z)
Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
論文参考訳（メタデータ） (2025-07-15T21:01:54Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文参考訳（メタデータ） (2022-07-14T10:59:39Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)
Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文参考訳（メタデータ） (2020-08-04T18:57:36Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。