論文の概要: Leveraging Vulnerabilities in Temporal Graph Neural Networks via Strategic High-Impact Assaults

• arxiv url: http://arxiv.org/abs/2509.25418v1
• Date: Mon, 29 Sep 2025 19:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.93346
• Title: Leveraging Vulnerabilities in Temporal Graph Neural Networks via Strategic High-Impact Assaults
• Title（参考訳）: 戦略的高Impact Assaultsによる時間グラフニューラルネットワークの脆弱性の緩和
• Authors: Dong Hyun Jeon, Lijing Zhu, Haifang Li, Pengze Li, Jingna Feng, Tiehang Duan, Houbing Herbert Song, Cui Tao, Shuteng Niu,
• Abstract要約: 時間グラフニューラルネットワーク(TGNN)は、臨界アプリケーションにおける動的グラフの分析に欠かせないものとなっている。 High Impact Attack (HIA)は、TGNNの重大な脆弱性を明らかにするために設計された、制限されたブラックボックス攻撃フレームワークである。 HIAはリンク予測タスクにおいてTGNNの精度を著しく低下させ、平均相反ランク(MRR)を最大35.55%減少させる。
• 参考スコア（独自算出の注目度）: 8.54812911128942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Graph Neural Networks (TGNNs) have become indispensable for analyzing dynamic graphs in critical applications such as social networks, communication systems, and financial networks. However, the robustness of TGNNs against adversarial attacks, particularly sophisticated attacks that exploit the temporal dimension, remains a significant challenge. Existing attack methods for Spatio-Temporal Dynamic Graphs (STDGs) often rely on simplistic, easily detectable perturbations (e.g., random edge additions/deletions) and fail to strategically target the most influential nodes and edges for maximum impact. We introduce the High Impact Attack (HIA), a novel restricted black-box attack framework specifically designed to overcome these limitations and expose critical vulnerabilities in TGNNs. HIA leverages a data-driven surrogate model to identify structurally important nodes (central to network connectivity) and dynamically important nodes (critical for the graph's temporal evolution). It then employs a hybrid perturbation strategy, combining strategic edge injection (to create misleading connections) and targeted edge deletion (to disrupt essential pathways), maximizing TGNN performance degradation. Importantly, HIA minimizes the number of perturbations to enhance stealth, making it more challenging to detect. Comprehensive experiments on five real-world datasets and four representative TGNN architectures (TGN, JODIE, DySAT, and TGAT) demonstrate that HIA significantly reduces TGNN accuracy on the link prediction task, achieving up to a 35.55% decrease in Mean Reciprocal Rank (MRR) - a substantial improvement over state-of-the-art baselines. These results highlight fundamental vulnerabilities in current STDG models and underscore the urgent need for robust defenses that account for both structural and temporal dynamics.
• Abstract（参考訳）: テンポラルグラフニューラルネットワーク(TGNN)は、ソーシャルネットワーク、通信システム、金融ネットワークといった重要なアプリケーションにおける動的グラフの分析に欠かせないものとなっている。 しかし、TGNNの敵攻撃に対する堅牢性、特に時間次元を利用した高度な攻撃は、依然として大きな課題である。 Spatio-Temporal Dynamic Graphs (STDG) の既存の攻撃方法は、しばしば単純で容易に検出可能な摂動(例えば、ランダムなエッジの追加/削除)に依存し、最も影響力のあるノードとエッジを戦略的に標的にしない。 我々は、これらの制限を克服し、TGNNに重大な脆弱性を明らかにするために設計された、新しい制限されたブラックボックス攻撃フレームワークであるHigh Impact Attack (HIA)を紹介する。 HIAはデータ駆動サロゲートモデルを利用して、構造的に重要なノード(中央からネットワーク接続)と動的に重要なノード(グラフの時間的進化に欠かせない)を識別する。 次に、ハイブリッドな摂動戦略を採用し、戦略的エッジインジェクション(誤解を招く接続を作るために)とターゲットエッジ削除(必須経路を妨害するために)を組み合わせて、TGNNの性能劣化を最大化する。 重要なことに、HIAは盗難を強化するために摂動の回数を最小限に抑え、検出がより困難になる。 5つの実世界のデータセットと4つの代表的なTGNNアーキテクチャ(TGN、JODIE、DySAT、TGAT)に関する総合的な実験により、HIAはリンク予測タスクにおいてTGNNの精度を著しく低下させ、平均相互ランク(MRR)を最大35.55%減少させる。 これらの結果は、現在のSTDGモデルの基本的脆弱性を浮き彫りにし、構造力学と時間力学の両方を考慮に入れた堅牢な防御の必要性を浮き彫りにしている。

関連論文リスト

• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
  近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。 ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
  論文  参考訳（メタデータ） (2024-12-11T17:17:02Z)
• RIDA: A Robust Attack Framework on Incomplete Graphs [30.845056747923255]
  グラフニューラルネットワーク(GNN)はデータサイエンスにおいて不可欠だが、敵の攻撃の影響を受けやすくなっている。 グレーボックス中毒は、有効性と制約の少ないため注目に値する。 このギャップに対処するために、Robust Incomplete Deep Attack Framework (RIDA)を紹介します。 RIDAは、不完全グラフに対する堅牢なグレーボックス中毒攻撃のための最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2024-07-25T16:33:35Z)
• 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)
• Spear and Shield: Adversarial Attacks and Defense Methods for Model-Based Link Prediction on Continuous-Time Dynamic Graphs [40.01361505644007]
  本稿では,連続時間動的グラフ上でのリンク予測のための,単純かつ効果的な逆攻撃手法T-SPEARを提案する。 本稿では,T-SPEARがリンク予測タスクにおいて,被害者モデルの性能を著しく低下させることを示す。 我々の攻撃は他のTGNNに転送可能であり、攻撃者が想定する被害者モデルとは異なる。
  論文  参考訳（メタデータ） (2023-08-21T15:09:51Z)
• 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)
• Adversarial Attack on Graph Neural Networks as An Influence Maximization Problem [12.88476464580968]
  グラフニューラルネットワーク(GNN)が注目されている。 敵の攻撃下でのGNNの堅牢性を理解する必要がある。
  論文  参考訳（メタデータ） (2021-06-21T00:47:44Z)
• Uncertainty-Matching Graph Neural Networks to Defend Against Poisoning Attacks [43.60973654460398]
  グラフニューラルネットワーク(GNN)は、ニューラルネットワークからグラフ構造化データへの一般化である。 GNNは敵の攻撃に弱い、すなわち、構造に対する小さな摂動は、非自明な性能劣化を引き起こす可能性がある。 本稿では,GNNモデルの堅牢性向上を目的とした不確実性マッチングGNN(UM-GNN)を提案する。
  論文  参考訳（メタデータ） (2020-09-30T05:29:42Z)
• 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。