論文の概要: GRAIN: Exact Graph Reconstruction from Gradients

• arxiv url: http://arxiv.org/abs/2503.01838v1
• Date: Mon, 03 Mar 2025 18:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:08.752896
• Title: GRAIN: Exact Graph Reconstruction from Gradients
• Title（参考訳）: GRAIN: グラディエントからの厳密なグラフ再構築
• Authors: Maria Drencheva, Ivo Petrov, Maximilian Baader, Dimitar I. Dimitrov, Martin Vechev,
• Abstract要約: フェデレーション学習は、データプライバシを持つ複数のクライアント間で協調的なモデルトレーニングを可能にすると主張している。 最近の研究によると、クライアントのプライバシーは、いわゆるグラデーション・インバージョン・アタックによってまだ危険にさらされている。 本稿では,グラフデータに対する最初の厳密な勾配反転攻撃であるGRAINについて述べる。
• 参考スコア（独自算出の注目度）: 5.697251900862886
• License:
• Abstract: Federated learning claims to enable collaborative model training among multiple clients with data privacy by transmitting gradient updates instead of the actual client data. However, recent studies have shown the client privacy is still at risk due to the, so called, gradient inversion attacks which can precisely reconstruct clients' text and image data from the shared gradient updates. While these attacks demonstrate severe privacy risks for certain domains and architectures, the vulnerability of other commonly-used data types, such as graph-structured data, remain under-explored. To bridge this gap, we present GRAIN, the first exact gradient inversion attack on graph data in the honest-but-curious setting that recovers both the structure of the graph and the associated node features. Concretely, we focus on Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) -- two of the most widely used frameworks for learning on graphs. Our method first utilizes the low-rank structure of GNN gradients to efficiently reconstruct and filter the client subgraphs which are then joined to complete the input graph. We evaluate our approach on molecular, citation, and social network datasets using our novel metric. We show that GRAIN reconstructs up to 80% of all graphs exactly, significantly outperforming the baseline, which achieves up to 20% correctly positioned nodes.
• Abstract（参考訳）: フェデレーション学習は、実際のクライアントデータの代わりに勾配更新を送信することで、データプライバシを持つ複数のクライアント間で協調的なモデルトレーニングを可能にする。 しかし、最近の研究では、クライアントのテキストと画像データを共有勾配更新から正確に再構築できる、いわゆるグラデーション・インバージョン・アタックによって、クライアントのプライバシがまだ危険な状態にあることが示されている。 これらの攻撃は、特定のドメインやアーキテクチャに対して深刻なプライバシー上のリスクを示すが、グラフ構造化データなど、一般的に使用される他のデータ型の脆弱性は、未調査のままである。 このギャップを埋めるために、グラフの構造と関連するノードの特徴の両方を回復する正直だが正確な設定でグラフデータに対する最初の正確な勾配反転攻撃であるGRAINを提案する。 具体的には、グラフの進化的ネットワーク(GCN)とグラフ注意ネットワーク(GAT)に焦点を当てます。 提案手法はまず,GNN勾配の低ランク構造を用いて,入力グラフの完成のために結合されたクライアントサブグラフを効率的に再構成・フィルタリングする。 分子、引用、およびソーシャルネットワークのデータセットに対する我々のアプローチを、我々の新しいメトリクスを用いて評価する。 GRAINは、すべてのグラフの80%を正確に再構成し、ベースラインを著しく上回り、最大20%の正確な位置決めノードを実現している。

関連論文リスト

• Gradient Inversion Attack on Graph Neural Networks [11.735290341808064]
  悪意のある攻撃者は、フェデレート学習中にニューラルネットワークの勾配を交換することで、プライベートイメージデータを盗むことができる。 広く使われている2つのGNNフレームワーク、すなわちGCNとGraphSAGEが分析されている。 グラフデータの一部が勾配から漏れることが示されている。
  論文  参考訳（メタデータ） (2024-11-29T02:42:17Z)
• Federated Graph Learning with Graphless Clients [52.5629887481768]
  FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。 グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
  論文  参考訳（メタデータ） (2024-11-13T06:54:05Z)
• OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
  グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。 主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。 この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T08:05:03Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• 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)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)

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。