抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
グラフのための深層学習法は,多様なドメインにわたって顕著な性能を達成する。しかし,最近の知見は,グラフ構造の小さい,目立たない摂動が,最強で最も一般的なグラフニューラルネットワーク(GNN)の性能を壊滅的に低減できることを示した。ここでは,離散グラフ構造を摂動する様々な訓練時間攻撃に対して防御する一般的アルゴリズムであるGNNGuardを開発した。GNNGuardは,任意のGNNに直線に組み込むことができる。そのコア原理は,グラフ構造とノード特徴の間の関係を検出し,定量化し,次に,攻撃のマイナス効果を緩和するための関係を利用する。GNNGuardは,無関係ノード間のエッジを剪定しながら,類似のノードを接続するエッジに対して,より高い重みをいかに最良に割り当てるかを学習する。修正したエッジは,基礎となるGNNにおける神経メッセージのロバスト伝搬を可能にする。GNNGuardは,2つの新規成分,隣接重要度推定,および層ごとのグラフメモリを導入し,両方の成分が成功した防御に必要であることを経験的に示した。5つのGNN,3つの防御方法,および挑戦的なヒト疾患グラフを含む5つのデータセットを通して,GNNGuardは,平均で15.3%の既存の防御アプローチより優れていることを示した。意外なことに,GNNGuardは,ターゲットおよび非ターゲット攻撃を含む様々な敵対攻撃の顔におけるGNNの最先端の性能を効果的に回復することができ,異質性グラフに対する攻撃に対して防御できる。【JST・京大機械翻訳】