論文の概要: Fixed-point graph convolutional networks against adversarial attacks

• arxiv url: http://arxiv.org/abs/2511.00083v1
• Date: Wed, 29 Oct 2025 20:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.570747
• Title: Fixed-point graph convolutional networks against adversarial attacks
• Title（参考訳）: 敵攻撃に対する固定点グラフ畳み込みネットワーク
• Authors: Shakib Khan, A. Ben Hamza, Amr Youssef,
• Abstract要約: 敵対的攻撃は、グラフニューラルネットワークの完全性と性能に重大なリスクをもたらす。 本稿では,固定点反復グラフ畳み込みネットワークイテレーション (Fix-GCN) と呼ばれる新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.4469484645516832
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Adversarial attacks present a significant risk to the integrity and performance of graph neural networks, particularly in tasks where graph structure and node features are vulnerable to manipulation. In this paper, we present a novel model, called fixed-point iterative graph convolutional network (Fix-GCN), which achieves robustness against adversarial perturbations by effectively capturing higher-order node neighborhood information in the graph without additional memory or computational complexity. Specifically, we introduce a versatile spectral modulation filter and derive the feature propagation rule of our model using fixed-point iteration. Unlike traditional defense mechanisms that rely on additional design elements to counteract attacks, the proposed graph filter provides a flexible-pass filtering approach, allowing it to selectively attenuate high-frequency components while preserving low-frequency structural information in the graph signal. By iteratively updating node representations, our model offers a flexible and efficient framework for preserving essential graph information while mitigating the impact of adversarial manipulation. We demonstrate the effectiveness of the proposed model through extensive experiments on various benchmark graph datasets, showcasing its resilience against adversarial attacks.
• Abstract（参考訳）: 敵対的攻撃は、特にグラフ構造とノード機能が操作に脆弱なタスクにおいて、グラフニューラルネットワークの完全性とパフォーマンスに重大なリスクをもたらす。 本稿では,グラフ内の高次ノード近傍情報を,メモリや計算の複雑さを伴わずに効果的に取得することにより,対向的摂動に対する堅牢性を実現する,固定点反復グラフ畳み込みネットワーク(Fix-GCN)と呼ばれる新しいモデルを提案する。 具体的には、多彩なスペクトル変調フィルタを導入し、固定点反復を用いたモデルの特徴伝搬規則を導出する。 攻撃に対処するための設計要素を付加する従来の防御機構とは異なり、提案したグラフフィルタはフレキシブルパスフィルタ方式を提供し、グラフ信号に低周波構造情報を保存しつつ、高周波成分を選択的に減衰させることができる。 ノード表現を反復的に更新することにより、我々のモデルは、敵の操作の影響を軽減しつつ、本質的なグラフ情報を保存するための柔軟で効率的なフレームワークを提供する。 提案モデルの有効性を,様々なベンチマークグラフデータセットを用いた広範囲な実験により実証し,その逆攻撃に対するレジリエンスを示す。

関連論文リスト

• GraphTorque: Torque-Driven Rewiring Graph Neural Network [24.311681447733346]
  ヘテロ親和性グラフとホモ親和性グラフの表現学習を改善するために,トルク駆動型階層的再配線戦略を提案する。 我々は,各層の階層的受容場を,高トルクエッジを任意に刈り上げ,低トルクリンクを追加することで再構成する。 提案手法は, ヘテロフィルグラフとホモフィルグラフの両面において, 最先端の切り換え手法を超越した手法である。
  論文  参考訳（メタデータ） (2025-07-29T01:14:27Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• 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)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)
• 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)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。