論文の概要: DRGW: Learning Disentangled Representations for Robust Graph Watermarking

• arxiv url: http://arxiv.org/abs/2601.13569v2
• Date: Wed, 21 Jan 2026 07:29:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 14:57:00.174095
• Title: DRGW: Learning Disentangled Representations for Robust Graph Watermarking
• Title（参考訳）: DRGW:ロバストなグラフ透かしのためのアンタングル表現の学習
• Authors: Jiasen Li, Yanwei Liu, Zhuoyi Shang, Xiaoyan Gu, Weiping Wang,
• Abstract要約: 本稿では,この問題に対処する最初のグラフ透かしフレームワークであるDRGWを提案する。 具体的には,多様な摂動に対する不変構造表現を学習する逆学習エンコーダを設計する。 また,離散グラフ編集における潜時修正の問題を解消する構造認識エディタも開発している。
• 参考スコア（独自算出の注目度）: 12.502866023191865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data is foundational to numerous web applications, and watermarking is crucial for protecting their intellectual property and ensuring data provenance. Existing watermarking methods primarily operate on graph structures or entangled graph representations, which compromise the transparency and robustness of watermarks due to the information coupling in representing graphs and uncontrollable discretization in transforming continuous numerical representations into graph structures. This motivates us to propose DRGW, the first graph watermarking framework that addresses these issues through disentangled representation learning. Specifically, we design an adversarially trained encoder that learns an invariant structural representation against diverse perturbations and derives a statistically independent watermark carrier, ensuring both robustness and transparency of watermarks. Meanwhile, we devise a graph-aware invertible neural network to provide a lossless channel for watermark embedding and extraction, guaranteeing high detectability and transparency of watermarks. Additionally, we develop a structure-aware editor that resolves the issue of latent modifications into discrete graph edits, ensuring robustness against structural perturbations. Experiments on diverse benchmark datasets demonstrate the superior effectiveness of DRGW.
• Abstract（参考訳）: グラフ構造化データは多数のWebアプリケーションに基礎を置き、透かしは知的財産の保護とデータの保証に不可欠である。 既存の透かし法は主にグラフ構造や絡み合ったグラフ表現で機能し、グラフを表す情報結合や連続的な数値表現をグラフ構造に変換する際の制御不能な離散化によって透かしの透明性と堅牢性を損なう。 これは、不整合表現学習を通じてこれらの問題に対処する最初のグラフ透かしフレームワークであるDRGWを提案する動機である。 具体的には、様々な摂動に対する不変構造表現を学習し、統計的に独立した透かしキャリアを導出し、透かしの堅牢性と透明性を確保する逆向きの訓練エンコーダを設計する。 一方、我々は、透かしの埋め込みと抽出のための損失のないチャネルを提供するために、グラフ対応の可逆ニューラルネットワークを考案し、高い検出性と透かしの透明性を保証する。 さらに,遅延修正の問題を個別のグラフ編集に分解し,構造摂動に対する堅牢性を確保する構造認識エディタを開発した。 多様なベンチマークデータセットの実験は、DRGWの優れた効果を示す。

関連論文リスト

• SSCL-BW: Sample-Specific Clean-Label Backdoor Watermarking for Dataset Ownership Verification [8.045712223215542]
  本稿では,サンプル特異的クリーンラベルバックドア透かし(SSCL-BW)を提案する。 U-Netベースの透かしサンプルジェネレータをトレーニングすることにより,サンプル毎に独自の透かしを生成する。 ベンチマークデータセットを用いた実験は,提案手法の有効性と潜在的な透かし除去攻撃に対する頑健性を示す。
  論文  参考訳（メタデータ） (2025-10-30T12:13:53Z)
• KGMark: A Diffusion Watermark for Knowledge Graphs [9.42304926024755]
  KGMARKは、堅牢で検出可能な透明な拡散指紋を生成するグラフ透かしフレームワークである。 本稿では,スワップマークを空間変動に適応させるクラスタリングに基づくアライメント手法を提案する。 また,拡散指紋の透明性を高めるために,新しい学習可能なマスクマトリックスを導入する。
  論文  参考訳（メタデータ） (2025-05-29T12:28:05Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Learning Network Representations with Disentangled Graph Auto-Encoder [1.671868610555776]
  DGA(Disentangled Graph Auto-Encoder)とDVGA(Disentangled Variational Graph Auto-Encoder)を導入する。 DGAは、エンコーダとして機能するマルチチャネルメッセージパッシング層を備えた畳み込みネットワークである。 DVGAは非交叉表現の特徴を考慮に入れた因子的デコーダである。
  論文  参考訳（メタデータ） (2024-02-02T04:52:52Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• A Resilient and Accessible Distribution-Preserving Watermark for Large Language Models [65.40460716619772]
  本研究は,textbfDistribution-textbf Preserving (DiP)ウォーターマークの重要性に焦点をあてる。 現在の戦略とは対照的に,提案したDiPmarkは透かし中に元のトークン分布を同時に保存する。 言語モデルAPIにアクセスせずに検出可能で(アクセス可能)、トークンの適度な変更に対して確実に堅牢である。
  論文  参考訳（メタデータ） (2023-10-11T17:57:35Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
  Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。 本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
  論文  参考訳（メタデータ） (2021-08-05T04:27:15Z)
• 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)

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。