論文の概要: Inferring Sensitive Attributes from Knowledge Graph Embeddings: Attack and Defense Strategies

• arxiv url: http://arxiv.org/abs/2605.19644v1
• Date: Tue, 19 May 2026 10:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.28045
• Title: Inferring Sensitive Attributes from Knowledge Graph Embeddings: Attack and Defense Strategies
• Title（参考訳）: 知識グラフ埋め込みから感性属性を推定する:攻撃戦略と防衛戦略
• Authors: Yasmine Hayder,
• Abstract要約: 知識グラフに基づく推論におけるプライバシーリスクについて検討する。 本研究は,属性推論攻撃に着目し,攻撃者が不感な出力からセンシティブな属性を導出しようとする。 KGE出力にポストプロセッシング・サニタイズ技術を適用することにより、これらのプライバシーリスクを軽減するフレームワークを提案し、評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs) are a powerful representation of linked data, offering flexibility, semantic richness, and support for knowledge enrichment and reasoning. They help data owners organize and exploit heterogeneous data to provide insightful services (e.g., recommendations), yet real-world KGs are often incomplete, hiding true facts or missing valuable insights. Knowledge graph embedding techniques are commonly used to infer valuable missing information. However, reasoning over KGs can inadvertently expose sensitive user information, even when such data is not explicitly stored. In this work, we investigate the privacy risks associated with KGE-based reasoning, focusing on attribute inference attacks where adversaries attempt to deduce sensitive user attributes from seemingly non-sensitive outputs. We propose and evaluate a framework that mitigates these privacy risks by applying post processing sanitization techniques to KGE outputs. Preliminary results demonstrate the effectiveness of these attacks on the outputs of KGE models, and explore the trade-off between recommendation quality and privacy protection when applying randomization based approaches, highlighting the need to experiment with more advanced techniques in future work to address this issue.
• Abstract（参考訳）: 知識グラフ(KG)は、リンクされたデータの強力な表現であり、柔軟性、意味的な豊かさ、知識の豊かさと推論のサポートを提供する。 データ所有者が異質なデータを整理して利用して、洞察に富んだサービス(リコメンデーションなど)を提供するのに役立つが、現実のKGはしばしば不完全であり、事実を隠したり、貴重な洞察を欠いている。 知識グラフ埋め込み技術は、一般的に貴重な行方不明情報を推測するために使われる。 しかし、そのようなデータが明示的に保存されていない場合でも、KGに対する推論は、機密性の高いユーザ情報を不注意に公開することができる。 本研究は,KGEに基づく推論にかかわるプライバシリスクを考察し,攻撃者が不感なアウトプットからセンシティブなユーザ属性を引き出そうとする属性推論攻撃に着目した。 KGE出力にポストプロセッシング・サニタイズ技術を適用することにより、これらのプライバシーリスクを軽減するフレームワークを提案し、評価する。 予備的な結果は、これらの攻撃がKGEモデルの出力に与える影響を実証し、ランダム化に基づくアプローチを適用する際に、推奨品質とプライバシ保護のトレードオフを探求し、この問題に対処するために、より高度な技術を試す必要があることを強調している。

関連論文リスト

• Benchmarking Knowledge-Extraction Attack and Defense on Retrieval-Augmented Generation [50.87199039334856]
  Retrieval-Augmented Generation (RAG) は知識集約型アプリケーションの基礎となっている。 近年の研究では、悪意あるクエリによって知識抽出攻撃が機密知識ベースコンテンツを回復できることが示されている。 本稿では,RAGシステムに対する知識抽出攻撃のための最初の体系的ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T01:27:46Z)
• Taipan: A Query-free Transfer-based Multiple Sensitive Attribute Inference Attack Solely from Publicly Released Graphs [4.838500914184325]
  textbfTaipanは、グラフに対する複数の機密属性推論攻撃のための、クエリフリー転送ベースの最初のアタックフレームワークである。 さまざまな実世界のグラフデータセットの実験により、Taipanは、同じ分散設定で強力なアタックパフォーマンスを一貫して達成している。 我々の研究結果は、より堅牢な多属性プライバシー保護グラフパブリッシング手法とデータ共有プラクティスの必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-02-06T13:37:24Z)
• DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective [70.77570343385928]
  内的特徴(IF)と外的特徴(EF)(監査のための技術導入)に依存した既存手法の分類を新たに導入する。 回避攻撃(evasion attack)は、データセットの使用を隠蔽するために設計されたもので、偽造攻撃(forgery attack)は、未使用のデータセットを誤って含んでいることを意図している。 さらに,既存手法の理解と攻撃目標に基づいて,回避のための分離・除去・検出,偽造の逆例に基づく攻撃方法など,系統的な攻撃戦略を提案する。 私たちのベンチマークであるData dataBenchは、17の回避攻撃、5の偽攻撃、9の攻撃で構成されています。
  論文  参考訳（メタデータ） (2025-07-08T03:07:15Z)
• MaSS: Multi-attribute Selective Suppression for Utility-preserving Data Transformation from an Information-theoretic Perspective [10.009178591853058]
  本稿では,このユーティリティ保護プライバシ保護問題に対する情報理論の形式的定義を提案する。 我々は、ターゲットデータセットからセンシティブな属性を抑えることができるデータ駆動学習可能なデータ変換フレームワークを設計する。 その結果,様々な構成下での手法の有効性と一般化性を示した。
  論文  参考訳（メタデータ） (2024-05-23T18:35:46Z)
• Ungeneralizable Examples [70.76487163068109]
  学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。 学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
  論文  参考訳（メタデータ） (2024-04-22T09:29:14Z)
• Adversarial Robustness of Representation Learning for Knowledge Graphs [7.5765554531658665]
  この論文は、最先端の知識グラフ埋め込み(KGE)モデルはデータ中毒攻撃に対して脆弱であると主張している。 2つの新しいデータ中毒攻撃が提案され、トレーニング時に入力削除や追加を行い、推論時に学習したモデルの性能を逆転させる。 評価の結果、単純な攻撃は計算コストの高い攻撃と競合するか、上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-30T22:41:22Z)
• Unlearning Protected User Attributes in Recommendations with Adversarial Training [10.268369743620159]
  協調フィルタリングアルゴリズムは、特定の人口統計やユーザーの保護された情報を含む、基礎となる消費パターンをキャプチャする。 これらの符号化バイアスは、様々な階層のサブグループに提供されるコンテンツのさらなる分離に向けたレコメンデーションシステムの決定に影響を与える可能性がある。 本研究では,RSアルゴリズムの学習的相互作用表現から,ユーザの特定の保護された情報を除去する可能性と課題について検討する。
  論文  参考訳（メタデータ） (2022-06-09T13:36:28Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。