$β$-GNN: A Robust Ensemble Approach Against Graph Structure Perturbation

要約

グラフニューラルネットワーク（GNNS）は、ワークロードスケジューリング、異常検出、リソース管理のアプリケーションを使用して、コンピューティングシステムの効率的な動作とセキュリティにおいてますます重要な役割を果たしています。
ただし、ネットワークの摂動に対する脆弱性は大きな課題をもたらします。
$ \ beta $ -gnnを提案します。これは、クリーンなデータパフォーマンスを犠牲にすることなくGNNの堅牢性を高めるモデルです。
$ \ beta $ -gnnは、gnnと多層パーセプトロンを組み合わせて、加重アンサンブルを使用します。
学習された動的重量、$ \ beta $は、GNNの貢献度を調整します。
この$ \ beta $は、GNNの影響を重み付けするだけでなく、データの摂動レベルも示しており、プロアクティブな緩和を可能にします。
多様なデータセットでの実験結果は、$ \ beta $ -gnnの優れた敵対的精度と攻撃の重大度の定量化を示しています。
重要なことに、$ \ beta $ -gnnは摂動の仮定を回避し、クリーンなデータ構造とパフォーマンスを維持します。

要約(オリジナル)

Graph Neural Networks (GNNs) are playing an increasingly important role in the efficient operation and security of computing systems, with applications in workload scheduling, anomaly detection, and resource management. However, their vulnerability to network perturbations poses a significant challenge. We propose $\beta$-GNN, a model enhancing GNN robustness without sacrificing clean data performance. $\beta$-GNN uses a weighted ensemble, combining any GNN with a multi-layer perceptron. A learned dynamic weight, $\beta$, modulates the GNN’s contribution. This $\beta$ not only weights GNN influence but also indicates data perturbation levels, enabling proactive mitigation. Experimental results on diverse datasets show $\beta$-GNN’s superior adversarial accuracy and attack severity quantification. Crucially, $\beta$-GNN avoids perturbation assumptions, preserving clean data structure and performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google