論文の概要: Evading Overlapping Community Detection via Proxy Node Injection

• arxiv url: http://arxiv.org/abs/2509.21211v1
• Date: Thu, 25 Sep 2025 14:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.976295
• Title: Evading Overlapping Community Detection via Proxy Node Injection
• Title（参考訳）: プロキシノードインジェクションによる重複コミュニティ検出の回避
• Authors: Dario Loi, Matteo Silvestri, Fabrizio Silvestri, Gabriele Tolomei,
• Abstract要約: 我々は,対象ノードが元のコミュニティから離脱する原因となるエッジ修正を求める,共生メンバシップ隠蔽(CMH)の問題に対処する。 本稿では,グラフ構造を保存しながら,プロキシノードの使用を含む効果的な修正ポリシーを学習する深層強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 11.711770540233337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protecting privacy in social graphs requires preventing sensitive information, such as community affiliations, from being inferred by graph analysis, without substantially altering the graph topology. We address this through the problem of \emph{community membership hiding} (CMH), which seeks edge modifications that cause a target node to exit its original community, regardless of the detection algorithm employed. Prior work has focused on non-overlapping community detection, where trivial strategies often suffice, but real-world graphs are better modeled by overlapping communities, where such strategies fail. To the best of our knowledge, we are the first to formalize and address CMH in this setting. In this work, we propose a deep reinforcement learning (DRL) approach that learns effective modification policies, including the use of proxy nodes, while preserving graph structure. Experiments on real-world datasets show that our method significantly outperforms existing baselines in both effectiveness and efficiency, offering a principled tool for privacy-preserving graph modification with overlapping communities.
• Abstract（参考訳）: ソーシャルグラフにおけるプライバシ保護は、グラフトポロジを実質的に変更することなく、コミュニティの関連性などの機密情報をグラフ分析によって推測することを防ぐ必要がある。 本稿では,対象ノードが元のコミュニティを離脱する原因となるエッジ修正を求める「emph{community membership hidden} (CMH)」問題に対処する。 従来の作業では重複しないコミュニティ検出に重点を置いており、自明な戦略はしばしば十分だが、現実のグラフは重複するコミュニティによってモデル化され、そのような戦略は失敗する。 私たちの知る限りでは、私たちはこの設定でCMHを形式化し、対処する最初の人物です。 本研究では,グラフ構造を保存しながら,プロキシノードの使用を含む効果的な修正ポリシーを学習する深層強化学習(DRL)手法を提案する。 実世界のデータセットを用いた実験により,提案手法は有効性と効率の両面で既存のベースラインを著しく上回り,重複するコミュニティによるプライバシー保護グラフ修正のための基本ツールを提供する。

関連論文リスト

• Non-Dissipative Graph Propagation for Non-Local Community Detection [14.99394337842476]
  本稿では,新しい教師なしコミュニティ検出手法であるunsupervised Antisymmetric Graph Neural Network (uAGNN)を紹介する。 従来手法では長距離依存性を活用できなかった,中・中程度のヘテロフレンドリーな環境下での uAGNN の優れた性能を示す。 これらの結果は、多様なグラフ環境において、教師なしのコミュニティ検出のための強力なツールとしての uAGNN の可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-15T12:26:48Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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)
• 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)
• Unsupervised Constrained Community Detection via Self-Expressive Graph Neural Network [17.209458751421018]
  グラフニューラルネットワーク(GNN)は、ノード分類やリンク予測など、複数のグラフ下流タスクで有望なパフォーマンスを達成することができる。 伝統的に、GNNは半教師付きまたは自己教師型損失関数で訓練され、その後、クラスタリングアルゴリズムを適用してコミュニティを検出する。 我々のソリューションはエンドツーエンドでトレーニングされ、複数の公開データセット上で最先端のコミュニティ検出のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-11-28T07:17:30Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。