Genetic algorithm-based robust graph convolutional network design leveraging node splitting and fusion

doi:10.1016/j.swevo.2026.102366

Genetic algorithm-based robust graph convolutional network design leveraging node splitting and fusion

2026-03-20

0

PRE

AI

DOI：10.1016/j.swevo.2026.102366

原文链接

原文求助

摘要

En 中文

神经网络系统在各个领域持续展现出卓越性能，但其应用于安全关键环境时，仍因软错误面临严峻的鲁棒性挑战。传统容错方法（包括硬件冗余和故障感知训练）往往效果不足，且未能利用神经网络固有的生物学与进化原理。受神经达尔文主义启发，本文提出了一种基于遗传算法的图卷积网络结构优化框架，该框架通过节点分裂生成冗余单元，并通过节点融合整合功能相似单元。迭代式网络进化逐步将信息处理从高度集中且敏感的节点转向更为鲁棒的分布式表示。通过辐照实验评估，所提方法能够限制故障传播、缓解关键错误并重塑故障分布模式，且无需额外计算开销。其在实际安全关键场景中的应用为自动构建鲁棒图神经网络提供了高效、低成本的途径。

Keyword:

genetic algorithm

graph convolutional network

node splitting

node fusion

fault tolerance

Genetic algorithm-based robust graph convolutional network design leveraging node splitting and fusion

摘要

期刊

机构

引用论文