Efficient and Robust Continual Graph Learning for Graph Classification in Biology

要約

グラフ分類は、分子構造と相互作用が自然にグラフとして表現される複雑な生物学的システムを理解するために不可欠です。
従来のグラフ ニューラル ネットワーク (GNN) は、静的なタスクでは良好に動作しますが、動的設定では壊滅的な忘却により困難を伴います。
我々は、特に生物学的データセットを対象とした、グラフ データ分類のための堅牢かつ効率的な連続グラフ学習フレームワークである摂動およびスパース化連続グラフ学習 (PSCGL) を紹介します。
モデル学習に寄与する重要なデータポイントを特定する摂動サンプリング戦略と、パフォーマンスを維持しながらストレージの必要性を削減するモチーフベースのグラフスパース化手法を導入します。
さらに、当社の PSCGL フレームワークは本質的にグラフ バックドア攻撃を防御します。これは、機密性の高い生物学的コンテキストにおけるアプリケーションにとって重要です。
生物学的データセットに関する広範な実験により、PSCGL がタスク全体の知識を保持するだけでなく、生物学におけるグラフ分類モデルの効率と堅牢性も強化されることが実証されました。

要約(オリジナル)

Graph classification is essential for understanding complex biological systems, where molecular structures and interactions are naturally represented as graphs. Traditional graph neural networks (GNNs) perform well on static tasks but struggle in dynamic settings due to catastrophic forgetting. We present Perturbed and Sparsified Continual Graph Learning (PSCGL), a robust and efficient continual graph learning framework for graph data classification, specifically targeting biological datasets. We introduce a perturbed sampling strategy to identify critical data points that contribute to model learning and a motif-based graph sparsification technique to reduce storage needs while maintaining performance. Additionally, our PSCGL framework inherently defends against graph backdoor attacks, which is crucial for applications in sensitive biological contexts. Extensive experiments on biological datasets demonstrate that PSCGL not only retains knowledge across tasks but also enhances the efficiency and robustness of graph classification models in biology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google