論文の概要: On the Safety of Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2605.06576v1
• Date: Thu, 07 May 2026 17:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.020438
• Title: On the Safety of Graph Representation Learning
• Title（参考訳）: グラフ表現学習の安全性について
• Authors: Xiaoguang Guo, Zehong Wang, Ziming Li, Shawn Spitzel, Soonwoo Kwon, Tianyi Ma, Yanfang Ye, Chuxu Zhang,
• Abstract要約: グラフ表現学習(GRL)は、トポロジのみのグラフ埋め込みからタスク固有の教師付きGNNへと進化し、最近では再利用可能な表現やグラフ基盤モデル(GFM)へと進化した。 GRLメソッドがグラフ信号、グラフコンテキスト、ラベルサポート、構造グループ、予測エビデンスに影響を与える場合の信頼性は、まだ不明である。 GRLの安全性評価ベンチマークであるGRL-Safetyを紹介する。
• 参考スコア（独自算出の注目度）: 41.41390553122175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning (GRL) has evolved from topology-only graph embeddings to task-specific supervised GNNs, and more recently to reusable representations and graph foundation models (GFMs). However, existing evaluations mainly measure clean transfer, adaptation, and task coverage. It remains unclear whether GRL methods stay reliable when deployment stresses affect graph signals, graph contexts, label support, structural groups, or predictive evidence. We introduce GRL-Safety, a multi-axis safety evaluation benchmark for GRL. GRL-Safety evaluates twelve representative methods, spanning topology-only embedding methods, supervised GNNs, self-supervised graph models, and GFMs, on twenty-five graph datasets under standardized evaluation conditions while preserving method-native adaptation. The evaluation covers five safety axes: corruption robustness, OOD generalization, class imbalance, fairness, and interpretation, with per-axis and sub-condition reporting rather than a single aggregate score. Our analysis yields three cross-axis insights that can inspire future research. First, safety behavior is shaped by the interaction between representation design and the stressed graph factor, rather than by method family alone. Second, foundation-era methods show axis-specific strengths rather than broad safety dominance. Third, several deployment regimes remain difficult even for the best evaluated method, revealing capability gaps that require new robustness, adaptation, or training objectives beyond model selection. The benchmark, evaluation protocols, and code are available at: https://github.com/GXG-CS/GRL-Safety.
• Abstract（参考訳）: グラフ表現学習(GRL)は、トポロジのみのグラフ埋め込みからタスク固有の教師付きGNN、最近では再利用可能な表現やグラフ基盤モデル(GFM)へと進化してきた。 しかし、既存の評価は主にクリーントランスファー、適応、タスクカバレッジを測定している。 GRLメソッドがグラフ信号、グラフコンテキスト、ラベルサポート、構造グループ、予測エビデンスに影響を与える場合の信頼性は、まだ不明である。 GRLの安全性評価ベンチマークであるGRL-Safetyを紹介する。 GRL-Safety は,Topology のみの埋め込み手法,教師付き GNN ,自己教師付きグラフモデル,および GFM を標準化された評価条件下の25のグラフデータセット上に分散した12の代表的な手法を評価する。 この評価は5つの安全性軸をカバーしている: 汚職の堅牢性、OOD一般化、クラス不均衡、公平性、解釈。 我々の分析は、将来の研究に刺激を与える3つの軸横断的な洞察をもたらす。 第一に、安全行動は、表現設計とストレスドグラフファクターの相互作用によって形成され、メソッドファミリのみによって形成される。 第2に, ファンデーション時代の手法は, 幅広い安全支配よりも軸特異的な強度を示す。 第3に、最高の評価方法であっても、いくつかのデプロイメント体制は依然として困難であり、新しい堅牢性、適応性、あるいはモデル選択を超えた目標のトレーニングを必要とする能力ギャップを明らかにしている。 ベンチマーク、評価プロトコル、コードはhttps://github.com/GXG-CS/GRL-Safety.comで公開されている。

関連論文リスト

• Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
  教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。 本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T11:40:18Z)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
  近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。 教師なしアンダーラインtextbfGraphレベルアンダーラインtextbfOOD と anomaunderlinetextbfLy underlinetextbfDetection (ourmethod) に対するアンダーラインtextbfUnifiedアンダーラインtextbffBenchmark を提案する。 私たちのベンチマークには35のデータセットが含まれています
  論文  参考訳（メタデータ） (2024-06-21T04:07:43Z)
• HC-Ref: Hierarchical Constrained Refinement for Robust Adversarial Training of GNNs [7.635985143883581]
  コンピュータビジョンにおける敵の攻撃に対する最も効果的な防御機構の1つとされる敵の訓練は、GNNの堅牢性を高めるという大きな約束を持っている。 本稿では,GNNと下流分類器の対摂動性を高める階層的制約改善フレームワーク(HC-Ref)を提案する。
  論文  参考訳（メタデータ） (2023-12-08T07:32:56Z)
• Task-Agnostic Graph Neural Network Evaluation via Adversarial Collaboration [11.709808788756966]
  GraphACは、分子表現学習のためのグラフニューラルネットワーク(GNN)の研究を評価するための、原則付き、タスクに依存し、安定したフレームワークである。 2つのGNNが互いに直接競合することから、共同で自分自身を更新できる、競争力のあるバーロウツインズ(Competitive Barlow Twins)という新しい客観的機能を導入します。
  論文  参考訳（メタデータ） (2023-01-27T03:33:11Z)
• Graph Robustness Benchmark: Benchmarking the Adversarial Robustness of Graph Machine Learning [24.500868045285287]
  グラフに対する敵対的な攻撃は、グラフ機械学習(GML)モデルの堅牢性にとって大きな脅威となっている。 グラフロバストネスベンチマーク(GRB)を用いて,GMLモデルの対向ロバスト性に対する拡張性,統一性,モジュール性,再現性を備えた評価を行う。
  論文  参考訳（メタデータ） (2021-11-08T07:55:13Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)

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。