論文の概要: Adversarial Attacks on Locally Private Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2603.20746v1
• Date: Sat, 21 Mar 2026 10:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.066415
• Title: Adversarial Attacks on Locally Private Graph Neural Networks
• Title（参考訳）: ローカル・プライベート・グラフ・ニューラルネットにおける敵対的攻撃
• Authors: Matta Varun, Ajay Kumar Dhakar, Yuan Hong, Shamik Sural,
• Abstract要約: ローカル微分プライバシー(LDP)は、GNNをトレーニングするためのプライバシー保護フレームワークを提供する。 本稿では,LPP保護GNNに対する敵攻撃について検討する。
• 参考スコア（独自算出の注目度）: 6.7726810135041235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural network (GNN) is a powerful tool for analyzing graph-structured data. However, their vulnerability to adversarial attacks raises serious concerns, especially when dealing with sensitive information. Local Differential Privacy (LDP) offers a privacy-preserving framework for training GNNs, but its impact on adversarial robustness remains underexplored. This paper investigates adversarial attacks on LDP-protected GNNs. We explore how the privacy guarantees of LDP can be leveraged or hindered by adversarial perturbations. The effectiveness of existing attack methods on LDP-protected GNNs are analyzed and potential challenges in crafting adversarial examples under LDP constraints are discussed. Additionally, we suggest directions for defending LDP-protected GNNs against adversarial attacks. This work investigates the interplay between privacy and security in graph learning, highlighting the need for robust and privacy-preserving GNN architectures.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析する強力なツールである。 しかし、敵攻撃に対するその脆弱性は、特に機密情報を扱う際に深刻な懸念を引き起こす。 ローカル微分プライバシ(LDP)は、GNNをトレーニングするためのプライバシー保護フレームワークを提供するが、敵の堅牢性に対する影響は未定である。 本稿では,LPP保護GNNに対する敵攻撃について検討する。 我々は, LDPのプライバシー保証が, 敵の摂動によってどのように活用され, 妨げられるかを検討する。 LDP保護GNNに対する既存の攻撃方法の有効性を解析し、LDP制約下での敵例作成における潜在的な課題について考察する。 また, LDP を保護した GNN を敵攻撃から守るための方策も提案する。 この研究は、グラフ学習におけるプライバシとセキュリティの相互作用を調査し、堅牢でプライバシに保護されたGNNアーキテクチャの必要性を強調している。

関連論文リスト

• MADE: Graph Backdoor Defense with Masked Unlearning [24.97718571096943]
  グラフニューラルネットワーク(GNN)は、グラフ関連タスクの処理能力に優れていたため、研究者から大きな注目を集めている。 最近の研究では、GNNはトレーニングデータセットにトリガを注入することで実装されたバックドア攻撃に対して脆弱であることが示されている。 この脆弱性は、薬物発見のようなセンシティブなドメインにおけるGNNの応用に重大なセキュリティリスクをもたらす。
  論文  参考訳（メタデータ） (2024-11-26T22:50:53Z)
• Understanding the Robustness of Graph Neural Networks against Adversarial Attacks [14.89001880258583]
  近年の研究では、グラフニューラルネットワーク(GNN)が敵の攻撃に弱いことが示されている。 この脆弱性により、堅牢なGNNの設計に注目が集まっている。 本研究は,GNNの対角的ロバスト性に関する大規模な研究である。
  論文  参考訳（メタデータ） (2024-06-20T01:24:18Z)
• 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)
• A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications [76.88662943995641]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱う能力のため、大きな注目を集めている。 この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。 この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
  論文  参考訳（メタデータ） (2023-08-31T00:31:08Z)
• Node Injection Link Stealing Attack [0.649970685896541]
  グラフ構造化データ内のプライベートリンクを推測することにより、グラフニューラルネットワーク(GNN)のプライバシ脆弱性を露呈する、ステルスで効果的な攻撃を提案する。 我々の研究は、GNNに固有のプライバシの脆弱性を強調し、アプリケーションの堅牢なプライバシ保護メカニズムを開発することの重要性を強調しています。
  論文  参考訳（メタデータ） (2023-07-25T14:51:01Z)
• Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks [66.0143583366533]
  グラフニューラルネットワーク(GNN)は、その拡張現実の応用により、大きな注目を集めている。 信頼できるGNNを構築するためには、公平性とプライバシという2つの側面が重要な考慮事項として浮上している。 これまでの研究では、GNNの公平性とプライバシの側面を別々に検討し、GNNのパフォーマンスとのトレードオフを明らかにしている。 しかし、この2つの側面の相互作用は未解明のままである。
  論文  参考訳（メタデータ） (2023-01-30T14:52:23Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)

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。