論文の概要: Heterogeneous Graph Backdoor Attack

• arxiv url: http://arxiv.org/abs/2506.00191v1
• Date: Fri, 30 May 2025 20:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.490737
• Title: Heterogeneous Graph Backdoor Attack
• Title（参考訳）: 不均一グラフバックドア攻撃
• Authors: Jiawei Chen, Lusi Li, Daniel Takabi, Masha Sosonkina, Rui Ning,
• Abstract要約: ヘテロジニアスグラフニューラルネットワーク(HGNN)は、さまざまなドメインにわたる複雑なマルチタイプ関係のモデリングに優れていますが、バックドア攻撃に対する脆弱性はまだ解明されていません。 このギャップに対処するため、既存のグラフバックドア攻撃に対するHGNNの感受性に関する最初の調査を行う。 我々は,HGNN向けに設計された最初のバックドア攻撃であるヘテロジニアスグラフバックドア攻撃(HGBA)を提案する。
• 参考スコア（独自算出の注目度）: 6.992886527087087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Graph Neural Networks (HGNNs) excel in modeling complex, multi-typed relationships across diverse domains, yet their vulnerability to backdoor attacks remains unexplored. To address this gap, we conduct the first investigation into the susceptibility of HGNNs to existing graph backdoor attacks, revealing three critical issues: (1) high attack budget required for effective backdoor injection, (2) inefficient and unreliable backdoor activation, and (3) inaccurate attack effectiveness evaluation. To tackle these issues, we propose the Heterogeneous Graph Backdoor Attack (HGBA), the first backdoor attack specifically designed for HGNNs, introducing a novel relation-based trigger mechanism that establishes specific connections between a strategically selected trigger node and poisoned nodes via the backdoor metapath. HGBA achieves efficient and stealthy backdoor injection with minimal structural modifications and supports easy backdoor activation through two flexible strategies: Self-Node Attack and Indiscriminate Attack. Additionally, we improve the ASR measurement protocol, enabling a more accurate assessment of attack effectiveness. Extensive experiments demonstrate that HGBA far surpasses multiple state-of-the-art graph backdoor attacks in black-box settings, efficiently attacking HGNNs with low attack budgets. Ablation studies show that the strength of HBGA benefits from our trigger node selection method and backdoor metapath selection strategy. In addition, HGBA shows superior robustness against node feature perturbations and multiple types of existing graph backdoor defense mechanisms. Finally, extension experiments demonstrate that the relation-based trigger mechanism can effectively extend to tasks in homogeneous graph scenarios, thereby posing severe threats to broader security-critical domains.
• Abstract（参考訳）: ヘテロジニアスグラフニューラルネットワーク(HGNN)は、さまざまなドメインにわたる複雑なマルチタイプ関係のモデリングに優れていますが、バックドア攻撃に対する脆弱性はまだ解明されていません。 このギャップに対処するため,既存のグラフバックドア攻撃に対するHGNNの感受性に関する最初の調査を行い,(1)効果的なバックドア注入に必要な高い攻撃予算,(2)非効率で信頼性の低いバックドアアクティベーション,(3)不正確な攻撃効果評価の3つの重要な課題を明らかにした。 これらの問題に対処するために,HGBA(Heterogeneous Graph Backdoor Attack)を提案する。これはHGNNに特化して設計された最初のバックドア攻撃であり,戦略的に選択されたトリガノードとバックドアメタパスを介して有毒ノードとの特定の接続を確立する,新たなリレーションベースのトリガ機構を導入する。 HGBAは、最小限の構造修正で効率的でステルスなバックドアインジェクションを実現し、セルフノードアタックと非差別アタックという2つの柔軟な戦略を通じて、簡単にバックドアアクティベーションをサポートする。 さらに、ASR測定プロトコルを改善し、より正確な攻撃効果の評価を可能にする。 大規模な実験では、HGBAはブラックボックス設定における最先端のグラフバックドア攻撃をはるかに超え、攻撃予算の少ないHGNNを効率的に攻撃している。 アブレーション研究では, トリガーノード選択法とバックドアメタパス選択法により, HBGAの強度が向上することが示されている。 さらに、HGBAは、ノードの特徴摂動と、既存のグラフバックドア防御機構の複数タイプに対して、優れた堅牢性を示す。 最後に、拡張実験により、関係に基づくトリガー機構が、均質なグラフシナリオのタスクに効果的に拡張できることを示し、より広範なセキュリティクリティカルドメインに対して深刻な脅威を生じさせる。

関連論文リスト

• Boosting Graph Robustness Against Backdoor Attacks: An Over-Similarity Perspective [5.29403129046676]
  グラフニューラルネットワーク(GNN)は、ソーシャルネットワークやトランスポートネットワークなどのタスクにおいて顕著な成功を収めている。 最近の研究は、GNNのバックドア攻撃に対する脆弱性を強調し、現実世界のアプリケーションにおける信頼性に関する重大な懸念を提起している。 そこで我々は,新しいグラフバックドアディフェンス手法SimGuardを提案する。
  論文  参考訳（メタデータ） (2025-02-03T11:41:42Z)
• MADE: Graph Backdoor Defense with Masked Unlearning [24.97718571096943]
  グラフニューラルネットワーク(GNN)は、グラフ関連タスクの処理能力に優れていたため、研究者から大きな注目を集めている。 最近の研究では、GNNはトレーニングデータセットにトリガを注入することで実装されたバックドア攻撃に対して脆弱であることが示されている。 この脆弱性は、薬物発見のようなセンシティブなドメインにおけるGNNの応用に重大なセキュリティリスクをもたらす。
  論文  参考訳（メタデータ） (2024-11-26T22:50:53Z)
• Robustness Inspired Graph Backdoor Defense [30.82433380830665]
  グラフニューラルネットワーク(GNN)は,ノード分類やグラフ分類といったタスクにおいて,有望な結果を達成している。 最近の研究で、GNNはバックドア攻撃に弱いことが判明し、実際の採用に重大な脅威をもたらしている。 本研究では,裏口検出にランダムなエッジドロップを用いることにより,汚染ノードとクリーンノードを効率的に識別できることを理論的に示す。
  論文  参考訳（メタデータ） (2024-06-14T08:46:26Z)
• 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)
• 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)
• Backdoor Attack with Sparse and Invisible Trigger [57.41876708712008]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 バックドアアタックは、訓練段階の脅威を脅かしている。 軽度で目に見えないバックドアアタック(SIBA)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T10:05:57Z)
• Unnoticeable Backdoor Attacks on Graph Neural Networks [29.941951380348435]
  特に、バックドアアタックは、トレーニンググラフ内の一連のノードにトリガーとターゲットクラスラベルをアタッチすることで、グラフを毒する。 本稿では,攻撃予算が制限されたグラフバックドア攻撃の新たな問題について検討する。
  論文  参考訳（メタデータ） (2023-02-11T01:50:58Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。