Fugu-MT 論文翻訳(概要): Adversarial Robustness of Link Sign Prediction in Signed Graphs

論文の概要: Adversarial Robustness of Link Sign Prediction in Signed Graphs

arxiv url: http://arxiv.org/abs/2401.10590v2
Date: Wed, 18 Dec 2024 16:33:32 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-19 13:24:37.674506
Title: Adversarial Robustness of Link Sign Prediction in Signed Graphs
Title（参考訳）: 符号付きグラフにおけるリンクサイン予測の逆ロバスト性
Authors: Jialong Zhou, Xing Ai, Yuni Lai, Tomasz Michalak, Gaolei Li, Jianhua Li, Kai Zhou,
Abstract要約: 符号付きグラフは、ソーシャルネットワークにおける肯定的および否定的な関係を表現するための基本的なデータ構造として機能する。バランス理論は、署名された関係をSGNNでモデル化するために不可欠であるが、ブラックボックス攻撃に悪用可能な脆弱性を不注意に導入している。本稿では,グラフバランスの度合いを妥協する新たな逆戦略であるバランスアタックを提案する。
参考スコア（独自算出の注目度）: 7.893326825972138
License:
Abstract: Signed graphs serve as fundamental data structures for representing positive and negative relationships in social networks, with signed graph neural networks (SGNNs) emerging as the primary tool for their analysis. Our investigation reveals that balance theory, while essential for modeling signed relationships in SGNNs, inadvertently introduces exploitable vulnerabilities to black-box attacks. To demonstrate this vulnerability, we propose balance-attack, a novel adversarial strategy specifically designed to compromise graph balance degree, and develop an efficient heuristic algorithm to solve the associated NP-hard optimization problem. While existing approaches attempt to restore attacked graphs through balance learning techniques, they face a critical challenge we term "Irreversibility of Balance-related Information," where restored edges fail to align with original attack targets. To address this limitation, we introduce Balance Augmented-Signed Graph Contrastive Learning (BA-SGCL), an innovative framework that combines contrastive learning with balance augmentation techniques to achieve robust graph representations. By maintaining high balance degree in the latent space, BA-SGCL effectively circumvents the irreversibility challenge and enhances model resilience. Extensive experiments across multiple SGNN architectures and real-world datasets demonstrate both the effectiveness of our proposed balance-attack and the superior robustness of BA-SGCL, advancing the security and reliability of signed graph analysis in social networks. Datasets and codes of the proposed framework are at the github repository https://anonymous.4open.science/r/BA-SGCL-submit-DF41/.
Abstract（参考訳）: 署名されたグラフは、ソーシャルネットワークにおける肯定的および否定的な関係を表現するための基本的なデータ構造として機能し、署名されたグラフニューラルネットワーク(SGNN)がその分析の主要なツールとして登場している。我々の調査によると、バランス理論はSGNNの署名された関係をモデル化するために不可欠であるが、必然的にブラックボックス攻撃に悪用可能な脆弱性を導入している。この脆弱性を実証するために、グラフバランス度を妥協する新しい逆戦略であるバランスアタックを提案し、関連するNPハード最適化問題を解決するための効率的なヒューリスティックアルゴリズムを開発した。既存のアプローチでは、バランス学習技術を通じて攻撃されたグラフを復元しようとするが、復元されたエッジが元の攻撃目標と一致しない「バランス関連情報の不確実性」という重要な課題に直面している。この制限に対処するために、コントラスト学習とバランス強化技術を組み合わせて堅牢なグラフ表現を実現する革新的なフレームワークであるBa balance Augmented-Signed Graph Contrastive Learning (BA-SGCL)を導入する。 BA-SGCLは、潜伏空間における高平衡度を維持することにより、非可逆性の課題を効果的に回避し、モデルのレジリエンスを高める。複数のSGNNアーキテクチャと実世界のデータセットにわたる大規模な実験は、提案したバランスアタックの有効性とBA-SGCLの優れたロバスト性の両方を実証し、ソーシャルネットワークにおける署名付きグラフ解析のセキュリティと信頼性を高めた。提案されたフレームワークのデータセットとコードはgithubリポジトリhttps://anonymous.4open.science/r/BA-SGCL-submit-DF41/にある。

関連論文リスト

Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance [8.635930195821263]
署名付きグラフニューラルネットワーク(SGNN)は,最近,署名付きネットワーク上での学習タスクに有効なツールとして注目されている。これらのタスクの1つは、ネットワーク構造やその他の利用可能な極性から、この情報が欠落しているリンクの極性を予測することである。本研究では,リンクの極性予測を改善するために,新しい社会バランスの概念を基盤として,半教師付き学習フレームワークを考案する。
論文参考訳（メタデータ） (2024-07-22T14:02:28Z)
Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文参考訳（メタデータ） (2024-07-15T16:12:51Z)
Sparse but Strong: Crafting Adversarially Robust Graph Lottery Tickets [3.325501850627077]
Graph Lottery Tickets(GLT)は、その密度の高いものと比較して、推論レイテンシと計算フットプリントを大幅に削減する。これらの利点にも拘わらず、敵構造摂動に対するそれらの性能はいまだに完全に検討されている。本稿では,隣接行列とGNN重みを具現化する,逆向きに頑健なグラフスペーシフィケーションフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-11T17:52:46Z)
HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs [7.635985143883581]
コンピュータビジョンにおける敵の攻撃に対する最も効果的な防御機構の1つとされる敵の訓練は、GNNの堅牢性を高めるという大きな約束を持っている。本稿では,GNNと下流分類器の対摂動性を高める階層的制約改善フレームワーク(HC-Ref)を提案する。
論文参考訳（メタデータ） (2023-12-08T07:32:56Z)
Black-Box Attacks against Signed Graph Analysis via Balance Poisoning [8.680110107377953]
符号付きグラフニューラルネットワーク(SGNN)は、一般的にそのようなグラフのリンク信号を予測するために使用される。署名されたグラフのバランス度を下げることを目的としたバランスアタックと呼ばれる新しいブラックボックスアタックを提案する。我々の研究は、SGNNに対する攻撃に直面した場合のロバストモデルの限界とレジリエンスの理解に寄与する。
論文参考訳（メタデータ） (2023-09-05T17:09:38Z)
Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
論文参考訳（メタデータ） (2023-08-29T20:14:42Z)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文参考訳（メタデータ） (2022-08-17T14:04:21Z)
GCN-Based Linkage Prediction for Face Clustering on Imbalanced Datasets: An Empirical Study [5.416933126354173]
本稿では,不均衡ラベルを緩和する新しい手法と,逆不均衡重み付きサンプリング戦略を用いてグラフ表現を拡大する手法を提案する。コードと一連の不均衡なベンチマークデータセットはhttps://github.com/espectre/GCNs_on_im Balanced_datasetsで公開されている。
論文参考訳（メタデータ） (2021-07-06T08:45:26Z)
Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-15T13:59:28Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。