論文の概要: Hypergraph Attacks via Injecting Homogeneous Nodes into Elite Hyperedges

• arxiv url: http://arxiv.org/abs/2412.18365v1
• Date: Tue, 24 Dec 2024 11:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:12.436908
• Title: Hypergraph Attacks via Injecting Homogeneous Nodes into Elite Hyperedges
• Title（参考訳）: 均一ノードを有限ハイパーエッジに注入するハイパーグラフ攻撃
• Authors: Meixia He, Peican Zhu, Keke Tang, Yangming Guo,
• Abstract要約: ハイパーグラフニューラルネットワーク(HGNN)は敵の攻撃に対して脆弱である。 均一ノードをエリートハイパーエッジ(IE-Attack)に注入するハイパーグラフ攻撃(ハイパーグラフ攻撃)という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.089691789591201
• License:
• Abstract: Recent studies have shown that Hypergraph Neural Networks (HGNNs) are vulnerable to adversarial attacks. Existing approaches focus on hypergraph modification attacks guided by gradients, overlooking node spanning in the hypergraph and the group identity of hyperedges, thereby resulting in limited attack performance and detectable attacks. In this manuscript, we present a novel framework, i.e., Hypergraph Attacks via Injecting Homogeneous Nodes into Elite Hyperedges (IE-Attack), to tackle these challenges. Initially, utilizing the node spanning in the hypergraph, we propose the elite hyperedges sampler to identify hyperedges to be injected. Subsequently, a node generator utilizing Kernel Density Estimation (KDE) is proposed to generate the homogeneous node with the group identity of hyperedges. Finally, by injecting the homogeneous node into elite hyperedges, IE-Attack improves the attack performance and enhances the imperceptibility of attacks. Extensive experiments are conducted on five authentic datasets to validate the effectiveness of IE-Attack and the corresponding superiority to state-of-the-art methods.
• Abstract（参考訳）: 近年の研究では、ハイパーグラフニューラルネットワーク(HGNN)が敵の攻撃に弱いことが示されている。 既存のアプローチでは、ハイパーグラフにまたがるノードやハイパーエッジのグループアイデンティティを見渡すという、勾配に導かれるハイパーグラフ修正攻撃に重点を置いている。 本稿では,これらの課題に対処するために,同種ノードをエリートハイパーエッジ(IE-Attack)に注入するハイパーグラフ攻撃(Hypergraph Attacks)という新しいフレームワークを提案する。 当初,ハイパーグラフに散在するノードを利用して,ハイパーエッジを注入する高度ハイパーエッジサンプリング器を提案する。 その後、カーネル密度推定(KDE)を用いたノード生成法を提案し、ハイパーエッジの群同一性を持つ同質ノードを生成する。 最後に、均質なノードをエリートハイパーエッジに注入することで、IE-Attackは攻撃性能を改善し、攻撃の非受容性を高める。 IE-Attackの有効性と,それに対応する最先端手法の有効性を検証するために,5つの認証データセットを用いて大規模な実験を行った。

関連論文リスト

• HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
  ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。 マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。 新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
  論文  参考訳（メタデータ） (2024-09-09T08:01:28Z)
• HYGENE: A Diffusion-based Hypergraph Generation Method [6.997955138726617]
  本稿では, 局所展開の進展による課題に対処する拡散型ハイパーグラフ生成(HYGENE)手法を提案する。 実験では、ハイジェネの有効性を示し、ハイパーグラフの様々な特性を忠実に模倣する能力を示した。
  論文  参考訳（メタデータ） (2024-08-29T11:45:01Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [64.46188414653204]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して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） (2023-09-11T20:06:00Z)
• HyperAttack: Multi-Gradient-Guided White-box Adversarial Structure Attack of Hypergraph Neural Networks [10.937499142803512]
  ハイパーグラフニューラルネットワーク(HGNN)は、様々なディープラーニングタスクにおいて優れた性能を示している。 グラフニューラルネットワーク(GNN)に対するよく研究されている敵攻撃にもかかわらず、HGNNに対する敵攻撃についてはほとんど研究されていない。 我々はハイパーグラフニューラルネットワークに対する最初のホワイトボックス逆攻撃フレームワークであるHyperAttackを紹介する。
  論文  参考訳（メタデータ） (2023-02-24T02:15:42Z)
• 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)
• HyperEF: Spectral Hypergraph Coarsening by Effective-Resistance Clustering [7.6146285961466]
  本稿では,大規模ハイパーグラフのスペクトル粗化(分解)のためのスケーラブルなアルゴリズムフレームワーク(HyperEF)を提案する。 単純なグラフの低抵抗径分解のための最新の理論フレームワークによって動機付けられたHyperEFは、大規模なハイパーグラフを複数のノードクラスタに分解することを目指している。
  論文  参考訳（メタデータ） (2022-10-26T16:01:24Z)
• Adversarial Camouflage for Node Injection Attack on Graphs [64.5888846198005]
  グラフニューラルネットワーク(GNN)に対するノードインジェクション攻撃は、GNNのパフォーマンスを高い攻撃成功率で低下させる能力のため、近年注目を集めている。 本研究は,これらの攻撃が現実的なシナリオでしばしば失敗することを示す。 これを解決するため,我々はカモフラージュノードインジェクション攻撃(camouflage node Injection attack)に取り組んだ。
  論文  参考訳（メタデータ） (2022-08-03T02:48:23Z)
• AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack [53.06334363586119]
  近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。 まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。 これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
  論文  参考訳（メタデータ） (2020-05-06T08:15:24Z)

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。