A Graph Transformer-Driven Approach for Network Robustness Learning

要約

制御性の堅牢性や接続性の堅牢性など、ネットワークの堅牢性の学習と分析は、攻撃に対するさまざまなネットワーク システムにとって重要です。
従来、ネットワークの堅牢性は攻撃シミュレーションによって決定されていましたが、これは非常に時間がかかり、大規模ネットワークでは不可能です。
ネットワーク堅牢性学習は、ネットワークの堅牢性を高精度かつ高速に学習することに特化しており、シミュレーションに代わるネットワークの堅牢性を分析するための強力なツールを提供します。
この論文では、グラフ変換器（NRL-GT）を介した新しい多用途かつ統合されたロバスト性学習アプローチを提案します。これは、ロバスト性曲線学習、全体的なロバスト性学習、合成ネットワークを含む複数の側面から制御性ロバスト性学習と接続性ロバスト性学習のタスクを達成します。
分類。
1) NRL-GT は、制御性の堅牢性と接続性の堅牢性のための統合学習フレームワークであり、トレーニング セットとテスト セットが異なるように分散されている場合でも高精度を保証する強力な一般化機能を実証しています。
2) 最先端の手法と比較して、NRL-GT は複数の側面からネットワークの堅牢性学習を同時に実行でき、より短い時間で優れた結果を得ることができます。
NRL-GT は、学習エラーが低く、効率が高く、さまざまなサイズの複雑なネットワークを処理することもできます。
3) NRL-GT のバックボーンは、さまざまなサイズやさまざまなダウンストリーム タスクの複雑なネットワークに対する転送可能な機能学習モジュールとして機能できることは言及する価値があります。

要約(オリジナル)

Learning and analysis of network robustness, including controllability robustness and connectivity robustness, is critical for various networked systems against attacks. Traditionally, network robustness is determined by attack simulations, which is very time-consuming and even incapable for large-scale networks. Network Robustness Learning, which is dedicated to learning network robustness with high precision and high speed, provides a powerful tool to analyze network robustness by replacing simulations. In this paper, a novel versatile and unified robustness learning approach via graph transformer (NRL-GT) is proposed, which accomplishes the task of controllability robustness learning and connectivity robustness learning from multiple aspects including robustness curve learning, overall robustness learning, and synthetic network classification. Numerous experiments show that: 1) NRL-GT is a unified learning framework for controllability robustness and connectivity robustness, demonstrating a strong generalization ability to ensure high precision when training and test sets are distributed differently; 2) Compared to the cutting-edge methods, NRL-GT can simultaneously perform network robustness learning from multiple aspects and obtains superior results in less time. NRL-GT is also able to deal with complex networks of different size with low learning error and high efficiency; 3) It is worth mentioning that the backbone of NRL-GT can serve as a transferable feature learning module for complex networks of different size and different downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google