論文の概要: Community Concealment from Unsupervised Graph Learning-Based Clustering

• arxiv url: http://arxiv.org/abs/2602.12250v1
• Date: Thu, 12 Feb 2026 18:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.981825
• Title: Community Concealment from Unsupervised Graph Learning-Based Clustering
• Title（参考訳）: 教師なしグラフ学習に基づくクラスタリングによるコミュニティ構築
• Authors: Dalyapraz Manatova, Pablo Moriano, L. Jean Camp,
• Abstract要約: 本研究では,データパブリッシャが関心のコミュニティを隠蔽し,ネットワークに限定的かつ実用性に配慮した変更を行おうとする防御的環境について検討する。 本稿では,選択したエッジの集合をリワイヤする摂動戦略を提案し,ノードの特徴を修正して,GNNメッセージパッシングによる特異性を低減する。
• 参考スコア（独自算出の注目度）: 3.2371089062298317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are designed to use attributed graphs to learn representations. Such representations are beneficial in the unsupervised learning of clusters and community detection. Nonetheless, such inference may reveal sensitive groups, clustered systems, or collective behaviors, raising concerns regarding group-level privacy. Community attribution in social and critical infrastructure networks, for example, can expose coordinated asset groups, operational hierarchies, and system dependencies that could be used for profiling or intelligence gathering. We study a defensive setting in which a data publisher (defender) seeks to conceal a community of interest while making limited, utility-aware changes in the network. Our analysis indicates that community concealment is strongly influenced by two quantifiable factors: connectivity at the community boundary and feature similarity between the protected community and adjacent communities. Informed by these findings, we present a perturbation strategy that rewires a set of selected edges and modifies node features to reduce the distinctiveness leveraged by GNN message passing. The proposed method outperforms DICE in our experiments on synthetic benchmarks and real network graphs under identical perturbation budgets. Overall, it achieves median relative concealment improvements of approximately 20-45% across the evaluated settings. These findings demonstrate a mitigation strategy against GNN-based community learning and highlight group-level privacy risks intrinsic to graph learning.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、属性グラフを使用して表現を学ぶように設計されている。 このような表現は、クラスタの教師なし学習とコミュニティ検出において有益である。 それでも、そのような推論は、センシティブなグループ、クラスタ化されたシステム、あるいは集団行動を明らかにし、グループレベルのプライバシに関する懸念を提起する可能性がある。 社会と重要なインフラネットワークにおけるコミュニティの貢献は、例えば、協調資産グループ、運用階層、およびプロファイリングやインテリジェンス収集に使用できるシステムの依存関係を公開できる。 本研究では,データパブリッシャ(デフェンダー)が関心のコミュニティを隠蔽し,ネットワークに限定的かつ実用性に配慮した変更を行おうとする防御的環境について検討する。 分析の結果,コミュニティの隠蔽は,コミュニティ境界における接続性と,保護されたコミュニティと隣接するコミュニティの類似性という,2つの定量的要因に強く影響されていることがわかった。 これらの知見を反映して,選択したエッジの集合をリ配線し,ノードの特徴を修正し,GNNメッセージパッシングによって活用される特異性を低減させる摂動戦略を提案する。 提案手法は,同じ摂動予算下での合成ベンチマークや実ネットワークグラフにおいて,DICEよりも優れた性能を示す。 全体として、評価された設定に対して、平均的な相対的な隠蔽改善を約20-45%達成している。 これらの結果は,GNNに基づくコミュニティ学習に対する緩和戦略を示し,グラフ学習に固有のグループレベルのプライバシリスクを強調した。

関連論文リスト

• Community detection robustness of graph neural networks [19.213455157528912]
  グラフニューラルネットワーク(GNN)は、属性付きネットワークのコミュニティ検出にますます利用されている。 我々は、GCN、GAT、Graph-SAGE、DiffPool、MinCUT、DMoNの6つの広く採用されているGNNアーキテクチャを評価した。 教師なしGNNは高いベースライン精度を達成する傾向があるが、教師なしの手法、特にDMoNは強いレジリエンスを維持している。
  論文  参考訳（メタデータ） (2025-09-29T12:08:22Z)
• Non-Dissipative Graph Propagation for Non-Local Community Detection [14.99394337842476]
  本稿では,新しい教師なしコミュニティ検出手法であるunsupervised Antisymmetric Graph Neural Network (uAGNN)を紹介する。 従来手法では長距離依存性を活用できなかった,中・中程度のヘテロフレンドリーな環境下での uAGNN の優れた性能を示す。 これらの結果は、多様なグラフ環境において、教師なしのコミュニティ検出のための強力なツールとしての uAGNN の可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-15T12:26:48Z)
• 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)
• GNNBleed: Inference Attacks to Unveil Private Edges in Graphs with Realistic Access to GNN Models [2.714583452862024]
  本稿では,敵がターゲットGNNモデルへのブラックボックスアクセスしか持たない状況下でのエッジプライバシについて検討する。 本稿では,GNNのメッセージパッシング機構を利用した攻撃について述べる。
  論文  参考訳（メタデータ） (2023-11-03T20:26:03Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Neural Bandit with Arm Group Graph [37.651541940052724]
  コンテキストブレイディットは、コンテキスト情報に基づいて最も高い報酬を持つ最適なアームのセットを識別することを目的としている。 我々は新しいモデルであるArm Group Graph (AGG)を導入し、ノードはアームのグループを表し、重み付きエッジはグループ間の相関を定式化する。 本稿では,AGGの豊富な情報を活用するために,ニューラルネットワークが報酬を推定するように設計された帯域幅アルゴリズムAGG-UCBを提案する。
  論文  参考訳（メタデータ） (2022-06-08T02:16:11Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。