論文の概要: RGDM: Robust Graph Diffusion Model

• arxiv url: http://arxiv.org/abs/2611.04146v1
• Date: Tue, 03 Nov 2026 01:40:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:46:33.688889
• Title: RGDM: Robust Graph Diffusion Model
• Title（参考訳）: RGDM:ロバストグラフ拡散モデル
• Abstract要約: 本稿では,ラベル付き合成グラフ構造を生成するために設計されたRobust Graph Diffusion Model (RGDM)を紹介する。 RGDMは、敵対的攻撃を受けるグラフで訓練された場合でも、クリーンで高品質な合成グラフ構造を生成する。
• 参考スコア（独自算出の注目度）: 17.7427723606306
• License:
• Abstract: Diffusion models represent a powerful class of generative models known for their solid theoretical foundations and remarkable performance across diverse tasks and domains. Existing node level diffusion methods synthesize nodes and edges within a graph, but are not designed to learn a robust generator from adversarially corrupted graphs. In this study, we introduce the Robust Graph Diffusion Model (RGDM), designed to generate labeled synthetic graph structures consisting of nodes and edges that integrate seamlessly into a given graph. The RGDM consists of a Robust Graph Autoencoder (RGAE) and a Latent Diffusion Model (LDM). Leveraging an edge selection mechanism and an innovative low-rank regularization on the latent feature, the RGDM produces clean and high-quality synthetic graph structures, even when trained on graphs subject to adversarial attacks. Comprehensive experimental evaluations reveal that Graph Neural Networks (GNNs) trained on the augmented graph, which is formed by merging the original attacked graph with the synthetic graph structures, exhibit significantly improved robustness against various graph adversarial attacks in the context of semi-supervised node classification. The code of the RGDM is available at https://github.com/Statistical-Deep-Learning/RGDM.
• Abstract（参考訳）: 拡散モデルは、その強固な理論基盤と様々なタスクや領域にわたる顕著なパフォーマンスで知られている強力な生成モデルのクラスを表す。 既存のノードレベルの拡散法は、グラフ内のノードとエッジを合成するが、逆向きに破損したグラフから堅牢なジェネレータを学ぶように設計されていない。 本研究では,与えられたグラフにシームレスに統合されるノードとエッジからなるラベル付き合成グラフ構造を生成するために,ロバストグラフ拡散モデル(RGDM)を提案する。 RGDMはロバストグラフオートエンコーダ(RGAE)とラテント拡散モデル(LDM)で構成されている。 エッジ選択機構と遅延特徴に対する革新的な低ランク正規化を活用して、RGDMは、敵攻撃を受けるグラフで訓練された場合でも、クリーンで高品質な合成グラフ構造を生成する。 グラフニューラルネットワーク(GNN)は,従来の攻撃グラフと合成グラフ構造を融合して構築され,半教師付きノード分類の文脈において,様々なグラフ敵攻撃に対するロバスト性を大幅に向上した。 RGDMのコードはhttps://github.com/Statistical-Deep-Learning/RGDMで公開されている。

関連論文リスト

• Evolutionary Refinement of Generative Graph Topologies: A Hybrid WGAN-GA Approach [0.0]
  GAN(Generative Adversarial Networks)に基づくグラフ生成手法は,接続性学習とクラス固有密度分布のマッチングによりエッジモデリングを改善する。 これらのモデルは、実際のグラフと比較しても顕著な偏差を示しており、重要な構造特性が完全に保存されていないことを示している。 本研究の目的は,遺伝的アルゴリズム(GA)を用いた既存のGANベースのグラフ生成フレームワークによって生成されたグラフを精製することにより,これらの偏差を低減することである。
  論文  参考訳（メタデータ） (2026-05-27T22:53:49Z)
• Diffusion on Graph: Augmentation of Graph Structure for Node Classification [7.9233221247736205]
  グラフニューラルネットワーク(GNN)の性能を高めるために合成グラフ構造を生成するグラフ拡散(DoG)を提案する。 DoGによって生成された合成グラフ構造は、元のグラフと組み合わせて、ノードレベルの学習タスクのトレーニングのための拡張グラフを形成する。 合成グラフ構造によるノイズの悪影響を軽減するために,低ランク正規化法を提案する。
  論文  参考訳（メタデータ） (2025-03-16T16:39:25Z)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Hyperbolic Graph Diffusion Model [24.049660417511074]
  双曲グラフ拡散モデル(HGDM)と呼ばれる新しいグラフ生成法を提案する。 HGDMは、ノードを連続した双曲埋め込みにエンコードするオートエンコーダと、双曲潜在空間で動作するDMで構成される。 実験により、HGDMはグラフおよび分子生成ベンチマークにおいて、高度に階層的な構造を持つグラフ生成の品質を48%向上させることで、より良い性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-13T08:22:18Z)
• 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)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping [1.433758865948252]
  そこで本研究では,非同型グラフ(IMANGraphNet)フレームワークのモダリティ間整合性について提案し,対象グラフのモダリティを所定のモダリティに基づいて推定する。 私たちの3つのコアコントリビューションは、(i)新しいグラフ生成逆数ネットワーク(gGAN)に基づいて、ソースグラフ(例えば、形態学)からターゲットグラフ(例えば、関数)を予測することである。 形態素グラフからの関数予測に関する包括的実験により,IMANGraphNetの変形特性と比較した性能が示された。
  論文  参考訳（メタデータ） (2021-06-30T08:59:55Z)
• Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning [47.506013386710954]
  グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。 本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。 実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
  論文  参考訳（メタデータ） (2021-06-29T10:48:28Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。