論文の概要: Transferable Hypergraph Attack via Injecting Nodes into Pivotal Hyperedges

• arxiv url: http://arxiv.org/abs/2511.10698v1
• Date: Wed, 12 Nov 2025 12:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.279648
• Title: Transferable Hypergraph Attack via Injecting Nodes into Pivotal Hyperedges
• Title（参考訳）: ノードをPivotal Hyperedgeに注入するトランスファー可能なハイパーグラフ攻撃
• Authors: Meixia He, Peican Zhu, Le Cheng, Yangming Guo, Manman Yuan, Keke Tang,
• Abstract要約: ハイパーグラフニューラルネットワーク(HGNN)は敵の攻撃を受けやすい。 ノードをPivotal Hyperedge(TH-Attack)に注入するトランスファー可能なハイパーグラフアタックを提案する。 TH-Attackは攻撃の伝達性と有効性を改善する。
• 参考スコア（独自算出の注目度）: 21.935993940930175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have demonstrated that hypergraph neural networks (HGNNs) are susceptible to adversarial attacks. However, existing methods rely on the specific information mechanisms of target HGNNs, overlooking the common vulnerability caused by the significant differences in hyperedge pivotality along aggregation paths in most HGNNs, thereby limiting the transferability and effectiveness of attacks. In this paper, we present a novel framework, i.e., Transferable Hypergraph Attack via Injecting Nodes into Pivotal Hyperedges (TH-Attack), to address these limitations. Specifically, we design a hyperedge recognizer via pivotality assessment to obtain pivotal hyperedges within the aggregation paths of HGNNs. Furthermore, we introduce a feature inverter based on pivotal hyperedges, which generates malicious nodes by maximizing the semantic divergence between the generated features and the pivotal hyperedges features. Lastly, by injecting these malicious nodes into the pivotal hyperedges, TH-Attack improves the transferability and effectiveness of attacks. Extensive experiments are conducted on six authentic datasets to validate the effectiveness of TH-Attack and the corresponding superiority to state-of-the-art methods.
• Abstract（参考訳）: 近年の研究では、ハイパーグラフニューラルネットワーク(HGNN)が敵の攻撃を受けやすいことが示されている。 しかし、既存の手法はターゲットHGNNの特定の情報メカニズムに依存しており、ほとんどのHGNNの集約パスに沿ったハイパーエッジのピボットリティの顕著な違いによって引き起こされる共通の脆弱性を見落とし、攻撃の伝達可能性と有効性を制限している。 本稿では,これらの制約に対処するために,ノードをPivotal Hyperedge(TH-Attack)に注入するTransferable Hypergraph Attackという新しいフレームワークを提案する。 具体的には,HGNNのアグリゲーションパス内で中心的なハイパーエッジを得るために,重要度評価を用いたハイパーエッジ認識器を設計する。 さらに,その特徴量と特徴量とのセマンティックな相違を最大化することにより,悪意のあるノードを生成する,ピボットハイパーエッジに基づく機能インバータを導入する。 最後に、これらの悪意のあるノードを中心的なハイパーエッジに注入することで、TH-Attackは攻撃の転送性と有効性を改善する。 TH-Attackの有効性とそれに対応する最先端手法の有効性を検証するため、6つの認証データセット上で大規模な実験を行った。

関連論文リスト

• Hypergraph Attacks via Injecting Homogeneous Nodes into Elite Hyperedges [1.089691789591201]
  ハイパーグラフニューラルネットワーク(HGNN)は敵の攻撃に対して脆弱である。 均一ノードをエリートハイパーエッジ(IE-Attack)に注入するハイパーグラフ攻撃(ハイパーグラフ攻撃)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-24T11:48:41Z)
• 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)
• IDEA: Invariant Defense for Graph Adversarial Robustness [60.0126873387533]
  敵攻撃に対する不変因果判定法(IDEA)を提案する。 我々は,情報理論の観点から,ノードと構造に基づく分散目標を導出する。 実験によると、IDEAは5つのデータセットすべてに対する5つの攻撃に対して、最先端の防御性能を達成している。
  論文  参考訳（メタデータ） (2023-05-25T07:16:00Z)
• Boosting Adversarial Transferability via Fusing Logits of Top-1 Decomposed Feature [36.78292952798531]
  本稿では,Singular Value Decomposition(SVD)に基づく特徴レベル攻撃法を提案する。 提案手法は,中間層特徴量より大きい特異値に付随する固有ベクトルがより優れた一般化と注意特性を示すという発見に着想を得たものである。
  論文  参考訳（メタデータ） (2023-05-02T12:27:44Z)
• Guidance Through Surrogate: Towards a Generic Diagnostic Attack [101.36906370355435]
  我々は、攻撃最適化中に局所最小限を避けるための誘導機構を開発し、G-PGAと呼ばれる新たな攻撃に繋がる。 修正された攻撃では、ランダムに再起動したり、多数の攻撃を繰り返したり、最適なステップサイズを検索したりする必要がありません。 効果的な攻撃以上に、G-PGAは敵防御における勾配マスキングによる解離性堅牢性を明らかにするための診断ツールとして用いられる。
  論文  参考訳（メタデータ） (2022-12-30T18:45:23Z)
• 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)
• What Does the Gradient Tell When Attacking the Graph Structure [44.44204591087092]
  本稿では,GNNのメッセージパッシング機構により,攻撃者がクラス間エッジを増大させる傾向があることを示す。 異なるノードを接続することで、攻撃者はより効果的にノード機能を破損させ、そのような攻撃をより有利にする。 本研究では,攻撃効率と非受容性のバランスを保ち,より優れた非受容性を実現するために攻撃効率を犠牲にする,革新的な攻撃損失を提案する。
  論文  参考訳（メタデータ） (2022-08-26T15:45:20Z)
• BinarizedAttack: Structural Poisoning Attacks to Graph-based Anomaly Detection [20.666171188140503]
  グラフに基づく異常検出(GAD)は,グラフの強力な表現能力によって普及しつつある。 皮肉なことに、これらのGADツールは、データ間の関係を活用できるというユニークな利点のために、新たな攻撃面を公開する。 本稿では, この脆弱性を利用して, 代表的な回帰型GADシステムOddBallに対して, 標的となる新しいタイプの構造的中毒攻撃を設計する。
  論文  参考訳（メタデータ） (2021-06-18T08:20:23Z)
• 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)
• AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack [53.06334363586119]
  近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。 まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。 これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
  論文  参考訳（メタデータ） (2020-05-06T08:15:24Z)

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。