論文の概要: Graph-Aware Text-Only Backdoor Poisoning for Text-Attributed Graphs

• arxiv url: http://arxiv.org/abs/2603.20339v1
• Date: Fri, 20 Mar 2026 09:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.852788
• Title: Graph-Aware Text-Only Backdoor Poisoning for Text-Attributed Graphs
• Title（参考訳）: テキスト対応グラフのためのグラフ対応テキスト専用バックドアポジショニング
• Authors: Qi Luo, Minghui Xu, Dongxiao Yu, Xiuzhen Cheng,
• Abstract要約: 本稿では,攻撃者がノードテキストのみを編集し,グラフ構造を変更しない現実的な環境でのリスクについて検討する。 テキスト分散グラフに対するテキストのみのバックドアアタックであるTAGBDを提案する。 3つのベンチマークデータセットの実験では、攻撃は極めて効果的であり、異なるグラフモデル間で転送され、共通の防御下では強いことが示されている。
• 参考スコア（独自算出の注目度）: 33.727843168432024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many learning systems now use graph data in which each node also contains text, such as papers with abstracts or users with posts. Because these texts often come from open platforms, an attacker may be able to quietly poison a small part of the training data and later make the model produce wrong predictions on demand. This paper studies that risk in a realistic setting where the attacker edits only node text and does not change the graph structure. We propose TAGBD, a text-only backdoor attack for text-attributed graphs. TAGBD first finds training nodes that are easier to influence, then generates natural-looking trigger text with the help of a shadow graph model, and finally injects the trigger by either replacing the original text or appending a short phrase. Experiments on three benchmark datasets show that the attack is highly effective, transfers across different graph models, and remains strong under common defenses. These results demonstrate that text alone is a practical attack channel in graph learning systems and suggest that future defenses should inspect both graph links and node content.
• Abstract（参考訳）: 多くの学習システムはグラフデータを使用しており、各ノードには抽象的な論文やポストを持つユーザなど、テキストも含んでいる。 これらのテキストはオープンプラットフォームから来ることが多いため、攻撃者はトレーニングデータのごく一部をひそかに毒殺し、後にモデルに需要予測を誤ったものにすることができる。 本稿では,攻撃者がノードテキストのみを編集し,グラフ構造を変更しない現実的な環境でのリスクについて検討する。 テキスト分散グラフに対するテキストのみのバックドアアタックであるTAGBDを提案する。 TAGBDは最初、影響しやすいトレーニングノードを見つけ、シャドウグラフモデルの助けを借りて自然なトリガーテキストを生成し、最後に、元のテキストを置き換えるか、短いフレーズを追加することでトリガーを注入する。 3つのベンチマークデータセットの実験では、攻撃は極めて効果的であり、異なるグラフモデル間で転送され、共通の防御下では強いことが示されている。 これらの結果は,テキストのみがグラフ学習システムにおける実用的な攻撃チャネルであることを示し,将来の防衛策はグラフリンクとノードコンテンツの両方を検査する必要があることを示唆している。

関連論文リスト

• Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers [49.77729302007601]
  グラフニューラルネットワーク(GNN)は、モデル予測を操作するために悪意のあるトリガーを敵に埋め込むバックドア攻撃に対して脆弱である。 既存のトリガジェネレータは構造が単純で、特定の特徴に過度に依存し、単一のグラフ学習パラダイムに集約されることが多い。 本稿では,新たな転送可能なグラフバックドアアタックであるPromptable Subgraph Triggers (CP-GBA) を用いたクロスパラダイムグラフバックドアアタックを提案する。
  論文  参考訳（メタデータ） (2025-10-26T07:10:07Z)
• Navigating the Black Box: Leveraging LLMs for Effective Text-Level Graph Injection Attacks [14.181622082567124]
  本稿では,テキスト分散グラフ(TAG)に適した新しいブラックボックスGIAフレームワークであるATAG-LLMを紹介する。 提案手法は,大言語モデル(LLM)を利用して,解釈可能なテキストレベルのノード属性を直接生成する。 厳格なブラックボックス設定では、ターゲットノードを最小限のトレーニングコストで効率よく摂動し、TAGに対するテキストレベルのグラフインジェクション攻撃を確実にする。
  論文  参考訳（メタデータ） (2025-06-16T09:16:21Z)
• Can LLMs Convert Graphs to Text-Attributed Graphs? [35.53046810556242]
  既存のグラフをテキスト対応グラフに変換するために,Topology-Aware Node description Synthesis (TANS)を提案する。 我々はTANSをテキストリッチ,テキスト制限,テキストフリーのグラフで評価し,その適用性を示した。
  論文  参考訳（メタデータ） (2024-12-13T13:32:59Z)
• Pre-Training and Prompting for Few-Shot Node Classification on Text-Attributed Graphs [35.44563283531432]
  テキスト分散グラフ(英: Text-attributed graph、TAG)は、生のテキストに関連付けられた各ノードを持つ、現実世界の重要なグラフ構造化データの一種である。 TAGでは、従来の数発のノード分類手法が、事前処理されたノード機能で直接トレーニングを行う。 P2TAGは、グラフ事前学習とプロンプトを備えたTAG上の少数ショットノード分類のためのフレームワークである。
  論文  参考訳（メタデータ） (2024-07-22T07:24:21Z)
• GAugLLM: Improving Graph Contrastive Learning for Text-Attributed Graphs with Large Language Models [33.3678293782131]
  本研究は,テキスト分散グラフ(TAG)の自己教師付きグラフ学習に関する研究である。 言語指導によるビュージェネレーションの改善を目指しています。 これは、リッチなセマンティック情報を持つグラフ構造を補完する、実際のアプリケーションにおけるテキスト属性の出現によって引き起こされる。
  論文  参考訳（メタデータ） (2024-06-17T17:49:19Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
  テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。 既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。 学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:59:22Z)
• ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
  テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。 提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。 実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-23T17:53:30Z)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)
• Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
  局所グラフ構造を符号化する線形化モデルの能力を検討する。 本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。 これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
  論文  参考訳（メタデータ） (2020-12-31T18:17:57Z)

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。