ترجمه فارسی مقاله RW-NSGCN: یک رویکرد قوی برای حملات ساختاری از طریق نمونه گیری منفی

چکیده

Node classification using Graph Neural Networks (GNNs) has been widely applied in various practical scenarios, such as predicting user interests and detecting communities in social networks. However, recent studies have shown that graph-structured networks often contain potential noise and attacks, in the form of topological perturbations and weight disturbances, which can lead to decreased classification performance in GNNs. To improve the robustness of the model, we propose a novel method: Random Walk Negative Sampling Graph Convolutional Network (RW-NSGCN). Specifically, RW-NSGCN integrates the Random Walk with Restart (RWR) and PageRank (PGR) algorithms for negative sampling and employs a Determinantal Point Process (DPP)-based GCN for convolution operations. RWR leverages both global and local information to manage noise and local variations, while PGR assesses node importance to stabilize the topological structure. The DPP-based GCN ensures diversity among negative samples and aggregates their features to produce robust node embeddings, thereby improving classification performance. Experimental results demonstrate that the RW-NSGCN model effectively addresses network topology attacks and weight instability, increasing the accuracy of anomaly detection and overall stability. In terms of classification accuracy, RW-NSGCN significantly outperforms existing methods, showing greater resilience across various scenarios and effectively mitigating the impact of such vulnerabilities.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی گره با استفاده از شبکه های عصبی نمودار (GNN) به طور گسترده در سناریوهای عملی مختلف مانند پیش بینی علایق کاربر و تشخیص جوامع در شبکه های اجتماعی استفاده شده است.با این حال ، مطالعات اخیر نشان داده اند که شبکه های ساختار یافته نمودار غالباً حاوی سر و صدای و حملات بالقوه هستند ، در قالب آشفتگی های توپولوژیکی و اختلالات وزن ، که می تواند منجر به کاهش عملکرد طبقه بندی در GNN ها شود.برای بهبود استحکام مدل ، ما یک روش جدید را پیشنهاد می کنیم: شبکه نمودار نمونه گیری منفی پیاده روی تصادفی (RW-NSGCN).به طور خاص ، RW-NSGCN پیاده روی تصادفی را با الگوریتم های راه اندازی مجدد (RWR) و PageRank (PGR) برای نمونه گیری منفی ادغام می کند و از یک فرآیند تعیین کننده نقطه (DPP) مبتنی بر GCN برای عملیات حلقوی استفاده می کند.RWR برای مدیریت نویز و تغییرات محلی از اطلاعات جهانی و محلی استفاده می کند ، در حالی که PGR اهمیت گره را برای تثبیت ساختار توپولوژیکی ارزیابی می کند.GCN مبتنی بر DPP تنوع بین نمونه های منفی را تضمین می کند و ویژگی های آنها را برای تولید تعبیه گره قوی جمع می کند ، در نتیجه عملکرد طبقه بندی را بهبود می بخشد.نتایج تجربی نشان می دهد که مدل RW-NSGCN به طور مؤثر به حملات توپولوژی شبکه و ناپایداری وزن می پردازد و باعث افزایش دقت تشخیص ناهنجاری و ثبات کلی می شود.از نظر دقت طبقه بندی ، RW-NSGCN به طور قابل توجهی از روشهای موجود بهتر عمل می کند و مقاومت بیشتری در سناریوهای مختلف نشان می دهد و به طور مؤثر تأثیر چنین آسیب پذیری ها را کاهش می دهد.