信頼できるグラフニューラルネットワークに関する包括的調査:プライバシー,ロバスト性,公平性,および説明可能性【JST・京大機械翻訳】

Dai Enyan; Zhao Tianxiang; Zhu Huaisheng; Xu Junjie; Guo Zhimeng; Liu Hui; Tang Jiliang; Wang Suhang

プレプリント

J-GLOBAL ID：202202209094608164 整理番号：22P0333858

信頼できるグラフニューラルネットワークに関する包括的調査:プライバシー,ロバスト性,公平性,および説明可能性【JST・京大機械翻訳】

A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2022年04月18日プレプリントサーバーでの情報更新日： 2023年09月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフニューラルネットワーク(GNN)は近年急速に発展した。グラフ構造化データをモデリングするそれらの大きな能力のため,GNNは,金融分析,交通予測,および創薬などの高消費シナリオを含む,様々なアプリケーションで広く使われている。現実世界における人間にとって大きな可能性にもかかわらず,最近の研究は,GNNが個人情報を漏れることができ,敵対攻撃に脆弱であり,訓練データから社会的バイアスを継承し,拡大することができ,ユーザと社会に意図的な害を引き起こすリスクを持つ解釈可能性を欠くことを示した。例えば,既存の研究は,攻撃者が,訓練グラフ上で目立たない摂動を望む結果を与えるため,GNNをフォローできることを示した。ソーシャルネットワーク上で訓練されたGNNは,それらの決定プロセスにおいて識別を埋め込むことができ,望ましくない社会的バイアスを強化する。従って,様々な側面における信頼できるGNNは,GNNモデルからの害を防ぎ,GNNにおけるユーザの信頼を増加させるために出現している。本論文では,プライバシー,ロバスト性,公平性,および説明可能性の計算面でのGNNの包括的調査を示した。各側面に対して,関連する方法の分類を行い,信頼できるGNNの多重カテゴリに対する一般的フレームワークを定式化した。また,信頼性を達成するために,これらの側面間の各側面と接続の将来の研究方向を論じた。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

データ保護 , 人工知能

, , , , , , ,

前のページに戻る