Input State Stability of Gated Graph Neural Networks - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue IEEE Transactions on Control of Network Systems Année : 2024

Input State Stability of Gated Graph Neural Networks

Résumé

In this paper, we aim to find the conditions for input-state stability (ISS) and incremental input-state stability (δISS) of Gated Graph Neural Networks (GGNNs). We show that this recurrent version of Graph Neural Networks (GNNs) can be expressed as a dynamical distributed system and, as a consequence, can be analysed using model-based techniques to assess its stability and robustness properties. Then, the stability criteria found can be exploited as constraints during the training process to enforce the internal stability of the neural network. Two distributed control examples, flocking and multi-robot motion control, show that using these conditions increases the performance and robustness of the gated GNNs.
Fichier principal
Vignette du fichier
stability_Graph_Gated_Neural_Networks.pdf (1.1 Mo) Télécharger le fichier
Figures/AntonioMarino.jpeg (119.13 Ko) Télécharger le fichier
Figures/ClaudioPacchierotti.jpg (120.48 Ko) Télécharger le fichier
Figures/Flocking_delay.png (17.5 Ko) Télécharger le fichier
Figures/Flocking_leader_delay.png (17.88 Ko) Télécharger le fichier
Figures/flocking_example.png (52.07 Ko) Télécharger le fichier
Figures/flocking_laplacian_leader_range.png (18.52 Ko) Télécharger le fichier
Figures/flocking_laplacian_stb_range.png (16.67 Ko) Télécharger le fichier
Figures/flocking_leader_N.png (23.29 Ko) Télécharger le fichier
Figures/flocking_leader_range.png (17.78 Ko) Télécharger le fichier
Figures/flocking_stb_N.png (18.79 Ko) Télécharger le fichier
Figures/flocking_stb_range.png (16.97 Ko) Télécharger le fichier
Figures/motion_planning_example.png (64.1 Ko) Télécharger le fichier
Figures/multimotion_success_N.png (15.85 Ko) Télécharger le fichier
Figures/multimotion_success_obstacles.png (14.21 Ko) Télécharger le fichier
Figures/multimotion_success_range.png (16.52 Ko) Télécharger le fichier
Figures/multimotion_success_rrt.png (11.76 Ko) Télécharger le fichier
Figures/multimotion_travel_time_N.png (16.36 Ko) Télécharger le fichier
Figures/multimotion_travel_time_obstacles.png (16.69 Ko) Télécharger le fichier
Figures/multimotion_travel_time_range.png (16.47 Ko) Télécharger le fichier
Figures/multimotion_travel_time_rrt.png (13.44 Ko) Télécharger le fichier
Figures/prg.jpg (161.85 Ko) Télécharger le fichier
GNN.png (145.99 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04110671 , version 1 (30-05-2023)
hal-04110671 , version 2 (21-08-2023)
hal-04110671 , version 3 (24-01-2024)

Licence

Paternité

Identifiants

Citer

Antonio Marino, Claudio Pacchierotti, Paolo Robuffo Giordano. Input State Stability of Gated Graph Neural Networks. IEEE Transactions on Control of Network Systems, 2024, pp.1-12. ⟨10.1109/TCNS.2024.3372710⟩. ⟨hal-04110671v3⟩
92 Consultations
92 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More