Fugu-MT 論文翻訳(概要): Membership Inference Attacks on Knowledge Graphs

論文の概要: Membership Inference Attacks on Knowledge Graphs

arxiv url: http://arxiv.org/abs/2104.08273v1
Date: Fri, 16 Apr 2021 17:56:48 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 14:37:18.858235
Title: Membership Inference Attacks on Knowledge Graphs
Title（参考訳）: 知識グラフによる会員推測攻撃
Authors: Yu Wang, Lichao Sun
Abstract要約: ナレッジグラフ埋め込み手法を用いてナレッジグラフのプライバシー脆弱性を調査します。その結果、当社のプライバシー攻撃は、KGEメソッドの会員情報の漏洩を明らかにすることができます。
参考スコア（独自算出の注目度）: 8.395261255782259
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge graphs have become increasingly popular supplemental information because they represented structural relations between entities. Knowledge graph embedding methods (KGE) are used for various downstream tasks, e.g., knowledge graph completion, including triple classification, link prediction. However, the knowledge graph also includes much sensitive information in the training set, which is very vulnerable to privacy attacks. In this paper, we conduct such one attack, i.e., membership inference attack, on four standard KGE methods to explore the privacy vulnerabilities of knowledge graphs. Our experimental results on four benchmark knowledge graph datasets show that our privacy attacks can reveal the membership information leakage of KGE methods.
Abstract（参考訳）: 知識グラフは、エンティティ間の構造的関係を表すため、ますます人気が高まっている。知識グラフ埋め込み法(KGE)は、例えば、三重分類、リンク予測を含む知識グラフ補完などの様々な下流タスクに使用される。しかし、知識グラフにはトレーニングセットに多くの機密情報が含まれており、プライバシー攻撃に対して非常に脆弱である。本稿では,知識グラフのプライバシ脆弱性を探索する4つの標準KGE手法に対して,そのような1つの攻撃,すなわちメンバシップ推論攻撃を行う。 4つのベンチマークナレッジグラフデータセットにおける実験結果から,当社のプライバシ攻撃により,kgeメソッドのメンバシップ情報漏洩が明らかになった。

関連論文リスト

Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-16T13:32:43Z)
Farspredict: A benchmark dataset for link prediction [6.866104126509981]
本稿ではFarsbaseに基づくペルシアの知識グラフ"Farspredict"を提案する。また、知識グラフ構造がKGEのリンク予測精度にどのように影響するかを説明する。
論文参考訳（メタデータ） (2023-03-26T07:41:26Z)
Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning [74.6485604326913]
我々は、専門知識とカテゴリ意味相関の両方を含む新しい意味強化知識グラフを提供する。知識グラフの情報伝達のために,Residual Graph Convolutional Network (ResGCN)を提案する。大規模画像Net-21KデータセットとAWA2データセットを用いた実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2022-12-26T13:18:36Z)
Adversarial Robustness of Representation Learning for Knowledge Graphs [7.5765554531658665]
この論文は、最先端の知識グラフ埋め込み(KGE)モデルはデータ中毒攻撃に対して脆弱であると主張している。 2つの新しいデータ中毒攻撃が提案され、トレーニング時に入力削除や追加を行い、推論時に学習したモデルの性能を逆転させる。評価の結果、単純な攻撃は計算コストの高い攻撃と競合するか、上回っていることが明らかとなった。
論文参考訳（メタデータ） (2022-09-30T22:41:22Z)
KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion [37.92814873958519]
知識グラフ埋め込み (KGE) は、エンティティと関係を低次元空間にマッピングすることを目的としており、知識グラフ補完のためのテキストファクト標準となっている。既存のKGE手法の多くは、知識グラフの頻度が低いエンティティを予測しにくいため、スパーシティの課題に悩まされている。グラフコンテキストとコントラスト学習を用いて,KGの広がりを緩和する新しい枠組みを提案する。
論文参考訳（メタデータ） (2022-08-16T09:17:40Z)
KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文参考訳（メタデータ） (2021-12-09T12:45:33Z)
Conditional Attention Networks for Distilling Knowledge Graphs in Recommendation [74.14009444678031]
本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
論文参考訳（メタデータ） (2021-11-03T09:40:43Z)
Federated Knowledge Graphs Embedding [50.35484170815679]
本稿では,fkge(federated knowledge graphs embedded)という分散スケーラブル学習フレームワークを提案する。 FKGEは、知識グラフのペア間の逆生成を利用して、異なるドメインの同一の実体と関係を近接埋め込み空間に変換する。トレーニングデータのプライバシーを保護するために、FKGEはさらにプライバシー保護ニューラルネットワーク構造を実装し、生データの漏洩を保証しません。
論文参考訳（メタデータ） (2021-05-17T05:30:41Z)
RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文参考訳（メタデータ） (2021-01-25T13:31:29Z)
Adversarial Privacy Preserving Graph Embedding against Inference Attack [9.90348608491218]
グラフ埋め込みはグラフ構造化データから低次元の特徴表現を学習するのに非常に有用であることが証明されている。既存のグラフ埋め込み手法は、推論攻撃を防ぐためのユーザのプライバシを考慮しない。本稿では,学習ノード表現からユーザのプライベート情報を削除するためのアンタングルとパージ機構を統合したグラフ対向トレーニングフレームワークであるAdrial Privacy Graph Embedding (APGE)を提案する。
論文参考訳（メタデータ） (2020-08-30T00:06:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。