論文の概要: COPYCOP: Ownership Verification for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.05360v1
• Date: Wed, 06 May 2026 18:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.375229
• Title: COPYCOP: Ownership Verification for Graph Neural Networks
• Title（参考訳）: COPYCOP: グラフニューラルネットワークのオーナシップ検証
• Authors: Rahul Nandakumar, Deepayan Chakrabarti,
• Abstract要約: 敵は1つのGNNを訓練し、他のGNNの埋め込みを模倣することができた。 我々のアルゴリズム(CopyCopという名前)はそのようなコピーキャットGNNを識別できる。 14のデータセットと5つのGNNアーキテクチャの実験は、CopyCopが正確で堅牢であることを示している。
• 参考スコア（独自算出の注目度）: 21.601579572843978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given two GNNs that output node embeddings, how can we determine if they were trained independently? An adversary could have trained one GNN specifically to mimic the other GNN's embeddings. To obscure this relationship between the GNNs, the adversarial GNN might then transform its output embeddings. The two GNNs could have different architectures, weights, and embedding dimensions, and the adversary can transform the embeddings. Despite these stringent conditions, our algorithm (named CopyCop) can identify such copycat GNNs, unlike existing watermarking and fingerprinting methods. We also provide theoretical guarantees for CopyCop. Finally, experiments on 14 datasets and 5 GNN architectures demonstrate that CopyCop is accurate and robust against a broad class of adversarial attacks and transformations. Code is available at: https://anonymous.4open.science/r/CopyCop-Graph-Ownership-Verification-8143/README.md
• Abstract（参考訳）: ノード埋め込みを出力する2つのGNNを考えると、独立してトレーニングされたかどうかをどうやって判断できるでしょうか? 敵は1つのGNNを訓練し、他のGNNの埋め込みを模倣することができた。 GNN間のこの関係を曖昧にするために、敵のGNNは出力の埋め込みを変換する。 2つのGNNは異なるアーキテクチャ、重み、埋め込み次元を持ち、敵は埋め込みを変換できる。 このような厳密な条件にもかかわらず、我々のアルゴリズム(CopyCopという名前)は、既存の透かしや指紋認証とは異なり、そのような模倣GNNを識別できる。 CopyCopの理論的保証も提供します。 最後に、14のデータセットと5つのGNNアーキテクチャの実験により、CopyCopは幅広い種類の敵攻撃と変換に対して正確で堅牢であることが示された。 https://anonymous.4open.science/r/CopyCop-Graph-Ownership-Verification-8143/README.md

関連論文リスト

• Explainable Graph Neural Networks Under Fire [69.15708723429307]
  グラフニューラルネットワーク(GNN)は通常、複雑な計算挙動とグラフの抽象的性質のために解釈性に欠ける。 ほとんどのGNN説明法は、ポストホックな方法で動作し、重要なエッジと/またはノードの小さなサブセットの形で説明を提供する。 本稿では,これらの説明が信頼できないことを実証する。GNNの一般的な説明手法は,敵対的摂動に強い影響を受けやすいことが判明した。
  論文  参考訳（メタデータ） (2024-06-10T16:09:16Z)
• GENIE: Watermarking Graph Neural Networks for Link Prediction [5.1323099412421636]
  グラフニューラルネットワーク(GNN)は、グラフベースの機械学習において、貴重な知的特性となっている。 ウォーターマーキングはディープニューラルネットワークにとって有望なODフレームワークであるが、グラフデータの非ユークリッド性のため、既存の手法ではGNNに一般化できない。 本稿では、リンク予測(LP)のためのGNNを透かし出す最初のスキームであるGENIEを提案する。 提案手法はDWT(Dynamic Watermark Thresholding)を搭載し,既存の透かし方式の実践的問題に対処しながら高い検証確率(>99.99%)を確保する。
  論文  参考訳（メタデータ） (2024-06-07T10:12:01Z)
• Link Stealing Attacks Against Inductive Graph Neural Networks [60.931106032824275]
  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処理するように設計されたニューラルネットワークの一種である。 これまでの研究によると、トランスダクティブGNNは一連のプライバシー攻撃に弱い。 本稿では,リンク盗難攻撃のレンズを通して,誘導型GNNの包括的プライバシー分析を行う。
  論文  参考訳（メタデータ） (2024-05-09T14:03:52Z)
• BitGNN: Unleashing the Performance Potential of Binary Graph Neural Networks on GPUs [19.254040098787893]
  最近の研究によると、バイナリグラフニューラルネットワーク(GNN)は双有理テンソルによるGNNの計算を省くことを約束している。 この作業は、効率の観点からバイナリGNN推論を再設計する。 GCN、GraphSAGE、GraphSAINTによる実世界のグラフの結果、提案手法は、同じ精度で8-22Xで最先端のバイナリGNN実装より優れていた。
  論文  参考訳（メタデータ） (2023-05-04T03:20:25Z)
• Bandits for Structure Perturbation-based Black-box Attacks to Graph Neural Networks with Theoretical Guarantees [60.61846004535707]
  グラフニューラルネットワーク(GNN)は多くのグラフベースのタスクで最先端のパフォーマンスを達成した。 攻撃者はグラフ構造をわずかに摂動させることでGNNモデルを誤解させることができる。 本稿では,構造摂動を伴うGNNに対するブラックボックス攻撃と理論的保証について考察する。
  論文  参考訳（メタデータ） (2022-05-07T04:17:25Z)
• Efficient, Direct, and Restricted Black-Box Graph Evasion Attacks to Any-Layer Graph Neural Networks via Influence Function [62.89388227354517]
  グラフデータから学習する主流手法であるグラフニューラルネットワーク(GNN)は、グラフ回避攻撃に対して脆弱である。 既存の作業には、1)2層GNNを直接攻撃すること、2)非効率であること、3)GNNモデルパラメータの完全あるいは一部を知る必要があること、の2つの欠点の少なくとも1つがある。 本報告では,エフェクトベースの非効率,直接的,制限されたブラックボックス回避攻撃を,幻影層GNNに対して提案する。
  論文  参考訳（メタデータ） (2020-09-01T03:24:51Z)
• Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters [78.53851936180348]
  近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。 既存のGNNはこれらの2つのカモフラージュに対処していない。 カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:12Z)

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。