論文の概要: Unnoticeable Community Deception via Multi-objective Optimization

• arxiv url: http://arxiv.org/abs/2509.01438v1
• Date: Mon, 01 Sep 2025 12:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.698338
• Title: Unnoticeable Community Deception via Multi-objective Optimization
• Title（参考訳）: 多目的最適化による無意味なコミュニティの認識
• Authors: Junyuan Fang, Huimin Liu, Yueqi Peng, Jiajing Wu, Zibin Zheng, Chi K. Tse,
• Abstract要約: そこで本研究では,新たな偽装指標を提案し,攻撃予算と組み合わせて,無意味なコミュニティ偽装課題をモデル化する。 そこで我々は, 次数バイアスとコミュニティバイアスによる候補ノード選択機構を取り入れた2つの変種手法を提案する。
• 参考スコア（独自算出の注目度）: 38.02098884335931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection in graphs is crucial for understanding the organization of nodes into densely connected clusters. While numerous strategies have been developed to identify these clusters, the success of community detection can lead to privacy and information security concerns, as individuals may not want their personal information exposed. To address this, community deception methods have been proposed to reduce the effectiveness of detection algorithms. Nevertheless, several limitations, such as the rationality of evaluation metrics and the unnoticeability of attacks, have been ignored in current deception methods. Therefore, in this work, we first investigate the limitations of the widely used deception metric, i.e., the decrease of modularity, through empirical studies. Then, we propose a new deception metric, and combine this new metric together with the attack budget to model the unnoticeable community deception task as a multi-objective optimization problem. To further improve the deception performance, we propose two variant methods by incorporating the degree-biased and community-biased candidate node selection mechanisms. Extensive experiments on three benchmark datasets demonstrate the superiority of the proposed community deception strategies.
• Abstract（参考訳）: グラフにおけるコミュニティ検出は、ノードの密結合クラスタへの構成を理解するために不可欠である。 これらのクラスターを特定するために多くの戦略が開発されているが、コミュニティ検出の成功は、個人が個人情報を公開することを望まないため、プライバシや情報セキュリティの懸念につながる可能性がある。 これを解決するために,検出アルゴリズムの有効性を低減するために,コミュニティの偽造手法が提案されている。 それでも、評価指標の合理性や攻撃の無意味性といったいくつかの制限は、現在の偽造法では無視されている。 そこで本研究では,まず,広範に使用されている偽造計量の限界,すなわちモジュラリティの低下について,実証的研究を通じて検討する。 そこで本稿では,新たな偽造指標を提案するとともに,この新指標を攻撃予算と組み合わせて,無意味なコミュニティ偽造課題を多目的最適化問題としてモデル化する。 そこで我々は, 次数バイアスとコミュニティバイアスによる候補ノード選択機構を取り入れた2つの変種手法を提案する。 3つのベンチマークデータセットに対する大規模な実験は、提案されたコミュニティ偽装戦略の優位性を示している。

関連論文リスト

• DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective [70.77570343385928]
  内的特徴(IF)と外的特徴(EF)(監査のための技術導入)に依存した既存手法の分類を新たに導入する。 回避攻撃(evasion attack)は、データセットの使用を隠蔽するために設計されたもので、偽造攻撃(forgery attack)は、未使用のデータセットを誤って含んでいることを意図している。 さらに,既存手法の理解と攻撃目標に基づいて,回避のための分離・除去・検出,偽造の逆例に基づく攻撃方法など,系統的な攻撃戦略を提案する。 私たちのベンチマークであるData dataBenchは、17の回避攻撃、5の偽攻撃、9の攻撃で構成されています。
  論文  参考訳（メタデータ） (2025-07-08T03:07:15Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Evading Community Detection via Counterfactual Neighborhood Search [10.990525728657747]
  コミュニティ検出は、ソーシャルメディアプラットフォームが共通の関心を共有しているユーザーの密接な結び付きのあるグループを見つけるのに有用である。 一部のユーザーは、プラットフォームを離れることなく、政治的、宗教的な組織との連携など、様々な理由で匿名性を維持し、コミュニティ検出をオプトアウトしたいと考えるかもしれない。 本研究では,ネットワークグラフの構造的特性を戦略的に変更して,与えられたコミュニティ検出アルゴリズムによって1つ以上のノードが識別されるのを防ぐ,コミュニティメンバシップ隠蔽の課題に対処する。
  論文  参考訳（メタデータ） (2023-10-13T07:30:50Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Implicit models, latent compression, intrinsic biases, and cheap lunches in community detection [0.0]
  コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。 いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。 他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。 本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-17T15:38:41Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)

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。