論文の概要: LoReTTA: A Low Resource Framework To Poison Continuous Time Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2511.07379v1
• Date: Mon, 10 Nov 2025 18:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.414696
• Title: LoReTTA: A Low Resource Framework To Poison Continuous Time Dynamic Graphs
• Title（参考訳）: LoReTTA - 連続時間動的グラフをポンポンする低リソースフレームワーク
• Authors: Himanshu Pal, Venkata Sai Pranav Bachina, Ankit Gangwal, Charu Sharma,
• Abstract要約: 連続時間動的グラフの新たな逆向きフレームワークであるLoReTTAを紹介する。 TGNNのパフォーマンスを4つの広範囲なベンチマークデータセットと4つのState-of-the-Art(SotA)モデルで平均29.47%低下させる。 LoReTTAは11の攻撃ベースラインを上回り、4つの主要な異常検知システムに検出不能であり、4つのSotA対敵防御訓練手法に堅牢である。
• 参考スコア（独自算出の注目度）: 2.640068900120705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Graph Neural Networks (TGNNs) are increasingly used in high-stakes domains, such as financial forecasting, recommendation systems, and fraud detection. However, their susceptibility to poisoning attacks poses a critical security risk. We introduce LoReTTA (Low Resource Two-phase Temporal Attack), a novel adversarial framework on Continuous-Time Dynamic Graphs, which degrades TGNN performance by an average of 29.47% across 4 widely benchmark datasets and 4 State-of-the-Art (SotA) models. LoReTTA operates through a two-stage approach: (1) sparsify the graph by removing high-impact edges using any of the 16 tested temporal importance metrics, (2) strategically replace removed edges with adversarial negatives via LoReTTA's novel degree-preserving negative sampling algorithm. Our plug-and-play design eliminates the need for expensive surrogate models while adhering to realistic unnoticeability constraints. LoReTTA degrades performance by upto 42.0% on MOOC, 31.5% on Wikipedia, 28.8% on UCI, and 15.6% on Enron. LoReTTA outperforms 11 attack baselines, remains undetectable to 4 leading anomaly detection systems, and is robust to 4 SotA adversarial defense training methods, establishing its effectiveness, unnoticeability, and robustness.
• 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、金融予測やレコメンデーションシステム、不正検出など、ハイテイクな領域での利用が増えている。 しかし、毒殺攻撃への感受性は重大なセキュリティリスクを引き起こす。 提案するLoReTTA(Low Resource Two-phase Temporal Attack, 低リソース2フェーズ同時攻撃)は, 連続時間動的グラフ上での新たな敵対的フレームワークであり, 4つの広範囲なベンチマークデータセットと4つのステート・オブ・ザ・アート(SotA)モデルに対して, TGNNのパフォーマンスを平均29.47%低下させる。 LoReTTAは、(1)16の試験された時間的重要度指標のいずれかを用いて、ハイインパクトエッジを除去し、グラフをスパシフィケートする、(2)LoReTTAの新たな次数保存型負サンプリングアルゴリズムによって、除去されたエッジを敵の負に戦略的に置き換える、という2段階のアプローチで機能する。 我々のプラグアンドプレイデザインは、現実的な無意味な制約に固執しながら、高価なサロゲートモデルの必要性を排除します。 LoReTTAは、MOOCが42.0%、Wikipediaが31.5%、UCIが28.8%、Enronが15.6%まで性能が低下している。 LoReTTAは11の攻撃ベースラインを上回り、4つの主要な異常検知システムに検出不能であり、4つのSotA敵防衛訓練手法に頑健であり、その有効性、無通知性、堅牢性を確立している。

関連論文リスト

• Leveraging Vulnerabilities in Temporal Graph Neural Networks via Strategic High-Impact Assaults [8.54812911128942]
  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。
  論文  参考訳（メタデータ） (2025-09-29T19:21:56Z)
• TY-RIST: Tactical YOLO Tricks for Real-time Infrared Small Target Detection [6.0340092200636475]
  赤外線小目標検出(IRSTD)は、防衛と監視に重要であるが、依然として困難である。 我々は、ストライド対応のバックボーンと微粒な受容場を統合した、最適化されたYOLOv12nアーキテクチャであるTY-RISTを提案する。 4つのベンチマークと20の異なるモデルの実験では、最先端のパフォーマンスを示し、0.5 IoUでmAPを+7.9%、精度を+3%、リコールを+10.2%改善した。
  論文  参考訳（メタデータ） (2025-09-26T20:36:57Z)
• Adaptive-GraphSketch: Real-Time Edge Anomaly Detection via Multi-Layer Tensor Sketching and Temporal Decay [0.12891210250935145]
  ADAPTIVE-GRAPHSKETCHはストリーミングエッジデータのリアルタイム異常検出のための軽量でスケーラブルなフレームワークである。 その結果,ADAPTIVE-GRAPHSKETCHは大規模ストリーミンググラフの高速かつ高精度な異常検出に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-15T06:57:35Z)
• Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
  グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である 本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T06:36:37Z)
• 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)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• 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)
• Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
  システム出力のランキングを乱す学習とミスランクの定式化を提案する。 また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。 そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
  論文  参考訳（メタデータ） (2020-04-08T18:48:29Z)

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。