Neue Forschungsarbeit wurde bei TIME 2023 angenommen

Mit dem Artikel Time-aware Robustness of Temporal Graph Neural Networks for Link Prediction tragen Marco Sälzer und Silvia Beddar-Wiesing zum diesjährigen International Symposium on Temporal Representation and Reasoning (TIME 2023) bei. Der Inhalt des Beitrags ist wie folgt: 

Graph Neural Networks (GNN) bieten einen Rahmen für die Berechnung von Funktionen über Graphen auf der Grundlage von lernbaren Parametern, die in den letzten Jahren viel Aufmerksamkeit erlangt haben. Die populärsten GNN-Modelle, so genannte Convolutional GNN oder Message-Passing GNN, wenden eine Nachbarschaftsaggregationsprozedur auf jeden Knoten in einem Graphen an, um dessen Ausgabe zu berechnen. Normalerweise werden solche GNNs für Klassifizierungs- oder Vorhersageaufgaben über statische Graphen verwendet. Dies schränkt jedoch ihre Anwendbarkeit in Kontexten wie sozialen Netzwerken oder Wissensgraphen ein, in denen sich die zugrunde liegenden Graphen schrittweise oder zeitkontinuierlich verändern. Temporal Graph Neural Networks (TGNN) versuchen, diese Lücke zu schließen. Die allgemeine Idee von TGNN besteht darin, das oben erwähnte Verfahren der Nachbarschaftsaggregation auf zeitliche Graphen zu verallgemeinern, die in der Regel als Tupel eines Basisgraphen mit einer Reihe von mit Zeitstempel versehenen beobachteten Änderungen dargestellt werden. In den meisten Anwendungen, die auf Neuronalen Netzwerken basierende Modelle verwenden, sind zuverlässige Sicherheitszertifikate höchst wünschenswert, aber auch eine große Herausforderung, insbesondere wegen der Blackbox-Natur von Neuronalen Modellen. In dieser erweiterten Zusammenfassung befassen wir uns mit dem Thema der Verifizierung von TGNN, das ein unerforschtes Forschungsgebiet ist. Wir stellen eine erste Vorstellung einer zeitbewussten Robustheitseigenschaft für TGNN vor, die für Link-Prädiktionsaufgaben verwendet werden, motiviert durch neuere Arbeiten zu ähnlichen zeitbewussten Angriffen. Darüber hinaus erörtern wir unsere laufenden Arbeiten zu vielversprechenden Verifizierungsansätzen für die vorgestellten oder ähnliche Sicherheitseigenschaften und mögliche nächste Schritte in dieser Forschungsrichtung.