面向多模态图神经网络架构搜索的模态感知合作演化框架
机器学习
2025-10-10 v1 神经与进化计算
摘要
共同剥削攻击对软件漏洞构成严重风险，企业面临这一威胁可通过分析异构且多模态的漏洞数据加以缓解。多模态图神经网络（MGNN）因能够整合跨模态的互补信号，从而提高攻击预测精度而尤为适用。然而，设计有效的MGNN架构具有挑战性，因为需要在各层协调模态特定组件，而通过手动调参难以实现。基于遗传算法（GA）的图神经网络架构搜索（GNAS）提供了自然的解决方案，但现有方法局限于单一模态，忽视了模态异质性。为此，我们提出一种用于多模态图神经网络架构搜索的模态感知合作演化算法，称为MACC-MGNAS。首先，我们在划分- conquered范式下开发模态感知合作演化（MACC）框架：协调器将全局染色体种群划分为模态特定的基因组，局部工作者独立演化这些基因，然后协调器重新组合染色体进行联合评估。该框架有效捕捉了单模态GNAS所忽视的模态异质性。其次，我们引入模态感知双轨代理（MADTS）方法以降低评估成本并加速局部基因演化。最后，我们设计基于相似性的种群多样性指示器（SPDI）策略，以适应性平衡探索与开发，从而加速收敛并避免局部最优。在标准漏洞共同剥削（VulCE）数据集上，MACC-MGNAS仅用3个GPU小时即可实现81.67%的F1分数，相较于最先进的竞争者提升了8.7%的F1分数，同时将计算成本降低了27%。
引用
@article{arxiv.2510.07325,
title = {A Modality-Aware Cooperative Co-Evolutionary Framework for Multimodal Graph Neural Architecture Search},
author = {Sixuan Wang and Jiao Yin and Jinli Cao and Mingjian Tang and Yong-Feng Ge},
journal= {arXiv preprint arXiv:2510.07325},
year = {2025}
}
备注
11 pages, 6 figures. This work has been submitted to the IEEE for possible publication