Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Robust Graph Condensation via Classification Complexity Mitigation

Created by
  • Haebom
Category
Empty

저자

Jiayi Luo, Qingyun Sun, Beining Yang, Haonan Yuan, Xingcheng Fu, Yanbiao Ma, Jianxin Li, Philip S. Yu

개요

그래프 압축(Graph condensation, GC)은 작지만 유용한 그래프를 합성하는 능력으로 주목받고 있지만, 원본 그래프가 손상된 경우의 견고성은 간과되어 왔다. 본 논문은 GC가 본질적으로 내재적 차원 축소 과정임을 밝히고, 이로 인해 적대적 공격에 취약함을 지적한다. 이를 해결하기 위해 그래프 데이터 매니폴드의 기하학적 관점을 채택하여 매니폴드 제약 조건이 있는 견고한 그래프 압축 프레임워크 MRGC를 제안한다. MRGC는 분류 복잡성을 줄이는 GC의 능력을 유지하면서, 보편적인 적대적 공격 하에서도 견고한 성능을 보장하기 위해, 부드럽고 저차원 매니폴드 내에 응축된 그래프가 위치하도록 유도하는 세 가지 그래프 데이터 매니폴드 학습 모듈을 도입한다.

시사점, 한계점

•
시사점:
◦
GC의 취약성을 밝히고, 이를 해결하기 위한 새로운 프레임워크 MRGC 제안.
◦
그래프 데이터 매니폴드 관점에서 GC의 견고성을 향상시키는 새로운 접근 방식 제시.
◦
다양한 공격 시나리오에서 MRGC의 견고성을 실험적으로 입증.
•
한계점:
◦
이 논문에서 구체적인 한계점은 언급되지 않음 (Abstract에는 없음).
👍
Made with Slashpage