論文の概要: LinkThief: Combining Generalized Structure Knowledge with Node Similarity for Link Stealing Attack against GNN

• arxiv url: http://arxiv.org/abs/2410.02826v1
• Date: Tue, 1 Oct 2024 05:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 05:34:38.637471
• Title: LinkThief: Combining Generalized Structure Knowledge with Node Similarity for Link Stealing Attack against GNN
• Title（参考訳）: LinkThief: GNNに対するリンクステアリング攻撃のための汎用構造知識とノード類似性の組み合わせ
• Authors: Yuxing Zhang, Siyuan Meng, Chunchun Chen, Mengyao Peng, Hongyan Gu, Xinli Huang,
• Abstract要約: LinkThiefは、一般化された構造知識とノード類似性を組み合わせた改善されたリンク盗難攻撃である。 本稿ではシャドウ・ターゲット・ブリッジグラフの作成とエッジサブグラフ構造の特徴の抽出について紹介する。 大規模な実験は理論解析の正しさを検証し、LinkThiefが余分な仮定なしでリンクを効果的に盗むことを示した。
• 参考スコア（独自算出の注目度）: 1.0934852169687077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks(GNNs) have a wide range of applications in multimedia.Recent studies have shown that Graph neural networks(GNNs) are vulnerable to link stealing attacks,which infers the existence of edges in the target GNN's training graph.Existing attacks are usually based on the assumption that links exist between two nodes that share similar posteriors;however,they fail to focus on links that do not hold under this assumption.To this end,we propose LinkThief,an improved link stealing attack that combines generalized structure knowledge with node similarity,in a scenario where the attackers' background knowledge contains partially leaked target graph and shadow graph.Specifically,to equip the attack model with insights into the link structure spanning both the shadow graph and the target graph,we introduce the idea of creating a Shadow-Target Bridge Graph and extracting edge subgraph structure features from it.Through theoretical analysis from the perspective of privacy theft,we first explore how to implement the aforementioned ideas.Building upon the findings,we design the Bridge Graph Generator to construct the Shadow-Target Bridge Graph.Then,the subgraph around the link is sampled by the Edge Subgraph Preparation Module.Finally,the Edge Structure Feature Extractor is designed to obtain generalized structure knowledge,which is combined with node similarity to form the features provided to the attack model.Extensive experiments validate the correctness of theoretical analysis and demonstrate that LinkThief still effectively steals links without extra assumptions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、マルチメディアに幅広い応用がある。近年の研究では、グラフニューラルネットワーク(GNN)が、ターゲットのGNNのトレーニンググラフ内のエッジの存在を推測する、リンク盗難攻撃に弱いことが示されている。既存の攻撃は、通常、類似した後縁を共有する2つのノード間のリンクが存在するという仮定に基づいている。しかし、この仮定では保持しないリンクに焦点を合わせることができない。この目的のために、我々は、LinkThiefというリンク盗難攻撃を提案する。これは、攻撃者のバックグラウンド知識が部分的に流出したターゲットグラフとシャドウグラフを含む一般的な構造知識を含んでいるシナリオである。特に、ターゲットグラフとシャドウグラフの両方にまたがるリンク構造に関する洞察と、グラフとシャドウグラフの両方のエッジ構造に関する洞察と、グラフグラフのシャドウグラフとシャドウグラフからエッジ構造を抽出するシャドウグラフの考え方を導入して、エッジ構造とシャドウグラフを抽出する。

関連論文リスト

• Link Stealing Attacks Against Inductive Graph Neural Networks [60.931106032824275]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理するように設計されたニューラルネットワークの一種である。 これまでの研究によると、トランスダクティブGNNは一連のプライバシー攻撃に弱い。 本稿では,リンク盗難攻撃のレンズを通して,誘導型GNNの包括的プライバシー分析を行う。
  論文  参考訳（メタデータ） (2024-05-09T14:03:52Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Sparse Vicious Attacks on Graph Neural Networks [3.246307337376473]
  この研究は、GNNベースのリンク予測モデルに対する特定のホワイトボックス攻撃に焦点を当てている。 本稿では,このタイプのリンク予測攻撃をマウントする新しいフレームワークと手法であるSAVAGEを提案する。 実世界のデータセットと合成データセットを用いて行った実験は、SAVAGEを通じて実施された敵攻撃が実際に高い攻撃成功率を達成することを示した。
  論文  参考訳（メタデータ） (2022-09-20T12:51:24Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Bandits for Structure Perturbation-based Black-box Attacks to Graph Neural Networks with Theoretical Guarantees [60.61846004535707]
  グラフニューラルネットワーク(GNN)は多くのグラフベースのタスクで最先端のパフォーマンスを達成した。 攻撃者はグラフ構造をわずかに摂動させることでGNNモデルを誤解させることができる。 本稿では,構造摂動を伴うGNNに対するブラックボックス攻撃と理論的保証について考察する。
  論文  参考訳（メタデータ） (2022-05-07T04:17:25Z)
• Structack: Structure-based Adversarial Attacks on Graph Neural Networks [1.795391652194214]
  攻撃者はグラフ構造にのみアクセスできるが,ノード属性に関する情報は得られない。 構造に基づく非情報攻撃は情報攻撃の性能に近づき、計算効率が良くなることを示す。 Structackは、厳密な計算制約の下で動作しながら、非常に限られた情報でGNNの性能を操作できる。
  論文  参考訳（メタデータ） (2021-07-23T16:17:10Z)
• Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。 近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。 本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
  論文  参考訳（メタデータ） (2020-05-20T17:07:05Z)
• Stealing Links from Graph Neural Networks [72.85344230133248]
  最近、ニューラルネットワークはグラフニューラルネットワーク(GNN)として知られるグラフデータに拡張された。 優れたパフォーマンスのため、GNNは医療分析、レコメンダシステム、不正検出など多くのアプリケーションを持っている。 グラフ上でトレーニングされたGNNモデルの出力からグラフを盗む最初の攻撃を提案する。
  論文  参考訳（メタデータ） (2020-05-05T13:22:35Z)

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。