論文の概要: Adversarial Signed Graph Learning with Differential Privacy

• arxiv url: http://arxiv.org/abs/2512.00307v1
• Date: Sat, 29 Nov 2025 04:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.16207
• Title: Adversarial Signed Graph Learning with Differential Privacy
• Title（参考訳）: 差分プライバシを用いた敵対的署名型グラフ学習
• Authors: Haobin Ke, Sen Zhang, Qingqing Ye, Xun Ran, Haibo Hu,
• Abstract要約: 正と負のエッジを持つ符号付きグラフは、ソーシャルネットワークの複雑な関係をモデル化することができる。 繊細な署名付きグラフのトレーニングは、重要なプライバシー上の懸念を提起する。 本稿では,プライバシ保護のためのグラフ学習手法ASGLを提案する。
• 参考スコア（独自算出の注目度）: 13.459205297125534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed graphs with positive and negative edges can model complex relationships in social networks. Leveraging on balance theory that deduces edge signs from multi-hop node pairs, signed graph learning can generate node embeddings that preserve both structural and sign information. However, training on sensitive signed graphs raises significant privacy concerns, as model parameters may leak private link information. Existing protection methods with differential privacy (DP) typically rely on edge or gradient perturbation for unsigned graph protection. Yet, they are not well-suited for signed graphs, mainly because edge perturbation tends to cascading errors in edge sign inference under balance theory, while gradient perturbation increases sensitivity due to node interdependence and gradient polarity change caused by sign flips, resulting in larger noise injection. In this paper, motivated by the robustness of adversarial learning to noisy interactions, we present ASGL, a privacy-preserving adversarial signed graph learning method that preserves high utility while achieving node-level DP. We first decompose signed graphs into positive and negative subgraphs based on edge signs, and then design a gradient-perturbed adversarial module to approximate the true signed connectivity distribution. In particular, the gradient perturbation helps mitigate cascading errors, while the subgraph separation facilitates sensitivity reduction. Further, we devise a constrained breadth-first search tree strategy that fuses with balance theory to identify the edge signs between generated node pairs. This strategy also enables gradient decoupling, thereby effectively lowering gradient sensitivity. Extensive experiments on real-world datasets show that ASGL achieves favorable privacy-utility trade-offs across multiple downstream tasks.
• Abstract（参考訳）: 正と負のエッジを持つ符号付きグラフは、ソーシャルネットワークの複雑な関係をモデル化することができる。 マルチホップノードペアからエッジサインを導出するバランス理論を利用して、符号付きグラフ学習は、構造情報と符号情報の両方を保持するノード埋め込みを生成することができる。 しかし、機密性の高い署名付きグラフのトレーニングは、モデルパラメータがプライベートリンク情報を漏洩する可能性があるため、重要なプライバシー上の懸念を引き起こす。 差分プライバシー(DP)を持つ既存の保護手法は、通常、符号なしグラフ保護のためにエッジや勾配の摂動に依存している。 しかし、主にエッジ摂動はバランス理論の下でエッジサイン推論の誤差をカスケードする傾向にあるのに対し、勾配摂動はノード間依存性や符号フリップによる勾配極性変化による感度を高め、ノイズ注入が大きくなるため、符号グラフには適していない。 本稿では,ノードレベルのDPを達成しながら高能率を保ちつつ,高能率なグラフ学習手法ASGLを提案する。 まず、エッジサインに基づいて符号付きグラフを正および負のサブグラフに分解し、次に、真の符号付き接続分布を近似する勾配摂動対向モジュールを設計する。 特に勾配摂動はカスケード誤差を軽減するのに役立ち、サブグラフ分離は感度低下を促進する。 さらに、バランス理論と融合して生成されたノードペア間のエッジサインを識別する制約付き幅優先探索木戦略を考案する。 この戦略はまた、勾配分離を可能にし、これにより勾配感度を効果的に低下させる。 実世界のデータセットに関する大規模な実験により、ASGLは複数のダウンストリームタスクにわたる適切なプライバシユーティリティトレードオフを達成している。

関連論文リスト

• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Smoothed Graph Contrastive Learning via Seamless Proximity Integration [30.247207861739245]
  グラフコントラスト学習(GCL)はノードペアを正と負に分類することでノード表現を整列させる。 SGCL(Smoothed Graph Contrastive Learning Model)を提案する。 提案したSGCLは,3つの異なる平滑化手法を取り入れることで,ノード対に付随するペナルティを対照的な損失で調整する。
  論文  参考訳（メタデータ） (2024-02-23T11:32:46Z)
• 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)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Are Gradients on Graph Structure Reliable in Gray-box Attacks? [56.346504691615934]
  従来のグレーボックス攻撃者は、グラフ構造を乱すために、サロゲートモデルからの勾配を用いて脆弱なエッジを見つける。 本稿では,構造勾配の不確実性に起因する誤差を考察し,解析する。 本稿では,構造勾配の誤差を低減する手法を用いた新しい攻撃モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-07T06:43:32Z)
• Contrastive Laplacian Eigenmaps [37.5297239772525]
  グラフの対照的な学習は、類似性の概念の下で類似/異種ノードペアのノード表現を惹きつける/分散する。 我々は、著名なラプラシア固有写像を対照的な学習で拡張し、これらをContrastive Laplacian EigenmapS (COLES) と呼ぶ。
  論文  参考訳（メタデータ） (2022-01-14T14:59:05Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)

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。