論文の概要: Bayesian Membership Privacy for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.04069v1
• Date: Tue, 02 Jun 2026 14:33:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.287277
• Title: Bayesian Membership Privacy for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのためのベイズメンバーシッププライバシ
• Authors: Sinan Yıldırım, Megha Khosla,
• Abstract要約: グラフニューラルネットワーク(GNN)の既存のプライバシ分析は、非グラフ設定から仮定をほとんど継承している。 特に、ノード依存のプリミティブは、最高のメンバシップ推論テストを特徴付けるのに、タイプIとタイプIIのエラーだけでは不十分である。 本稿では,ノードに依存した事前情報を組み込んだノードレベルのメンバシッププライバシのサンプリング・アウェアな定式化と,グラフサンプリングの確率を相手の知識の一部として扱う。
• 参考スコア（独自算出の注目度）: 0.2924239901077929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing privacy analyses for Graph Neural Networks (GNNs) largely inherit assumptions from non-graph settings, overlooking structural correlations and stochastic training-graph sampling. In particular, node-dependent priors make type-I and type-II errors alone insufficient to characterize the best membership inference test. To address this, we introduce Bayesian Membership Privacy (BMP), a sampling-aware formulation of node-level membership privacy that incorporates node-dependent priors and treats graph sampling probabilities as part of the adversary's knowledge. BMP casts membership inference as a Bayesian hypothesis test and accordingly quantifies membership privacy in terms of posterior membership probability. We explore theoretical properties of BMP in relation to the existing definitions in the literature. We further propose a practical, sampling-aware auditing mechanism to estimate the parameters of BMP as a measure of node-level privacy leakage in GNNs. We conduct experiments on benchmark graph datasets and show that BMP yields fine-grained privacy insights that are not visible through global attack accuracy alone.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の既存のプライバシ分析は、構造的相関や確率的トレーニンググラフサンプリングを見越して、非グラフ設定から仮定をほとんど継承する。 特に、ノード依存のプリミティブは、最高のメンバシップ推論テストを特徴付けるのに、タイプIとタイプIIのエラーだけでは不十分である。 この問題を解決するために,ノード依存の事前情報を組み込んだノードレベルのメンバシッププライバシのサンプリングを意識して定式化したベイズ会員プライバシ(BMP)を導入し,グラフサンプリング確率を相手の知識の一部として扱う。 BMPはベイズ仮説テストとしてメンバーシップ推論をキャストし、それに従って後続メンバーシップ確率の観点からメンバーシッププライバシを定量化する。 文献における既存の定義に関連して,BMPの理論的性質を考察する。 さらに,GNNにおけるノードレベルのプライバシリークの指標として,BMPのパラメータを推定する,実用的なサンプリング対応監査機構を提案する。 我々は、ベンチマークグラフデータセットの実験を行い、BMPは、グローバルな攻撃精度だけでは見えない、きめ細かいプライバシーの洞察を得られることを示す。

関連論文リスト

• How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks? [0.34546020643989767]
  グラフニューラルネットワーク(GNN)は、データとその複雑な関係を連続表現に符号化するための標準ツールとなっている。 センシティブなアプリケーションでの利用は、トレーニングデータの漏洩の可能性への懸念を引き起こしている。 GNNにおけるプライバシー漏洩の研究は、主に非グラフドメインからの発見によって形作られた。
  論文  参考訳（メタデータ） (2026-01-23T19:08:36Z)
• Practical Bayes-Optimal Membership Inference Attacks [51.06337749378432]
  我々は、独立および同一分散データ(すなわち、d)とグラフ構造化データの両方に対して、実用的かつ理論的に基礎付けられたメンバーシップ推論攻撃(MIA)を開発する。 Sublayrollesらによるベイズ決定理論の枠組みに基づいて、グラフニューラルネットワークに対するノードレベルのMIAに対するベイズ最適メンバシップ推定規則を導出する。
  論文  参考訳（メタデータ） (2025-05-30T00:23:01Z)
• Partitioning Message Passing for Graph Fraud Detection [57.928658584067556]
  グラフフラッド検出(GFD)タスクにグラフニューラルネットワーク(GNN)を適用する場合、ラベルの不均衡とホモフィリー・ヘテロフィリー混合が直面する根本的な問題である。 既存のGNNベースのGFDモデルは、GNNのホモフィリーへの帰納バイアスに対応するためにグラフ構造を拡張するように設計されている。 我々の研究では、GFDにGNNを適用する鍵は除外するのではなく、異なるラベルを持つ隣人を区別することにあると論じている。
  論文  参考訳（メタデータ） (2024-11-16T11:30:53Z)
• Bayes-Nash Generative Privacy Against Membership Inference Attacks [24.330984323956173]
  本稿では, プライバシ保護をゲーム理論でモデル化する枠組みを, ディフェンダーとアタッカーのベイズゲームとして提案する。 戦略的複雑さに対処するため、私たちは、プライベートデータセットを公開表現にマッピングするニューラルネットワークジェネレータとして、ディフェンダーの混合戦略を表現します。 当社のアプローチは,より強力な攻撃を発生させ,より優れたプライバシ・ユーティリティ・トレードオフを実現することによって,最先端の手法を著しく上回ります。
  論文  参考訳（メタデータ） (2024-10-09T20:29:04Z)
• Privacy-Preserved Neural Graph Databases [48.57788773216699]
  NGDBにおけるプライバシー漏洩のリスクを軽減するために,プライバシ保存型ニューラルグラフデータベース(P-NGDB)フレームワークを提案する。 本研究は,NGDBを訓練段階に導入し,個人情報で質問したときの識別不能な回答を生成する。
  論文  参考訳（メタデータ） (2023-12-25T02:32:05Z)
• Differentially Private Decoupled Graph Convolutions for Multigranular Topology Protection [38.96828804683783]
  GNNは、モデル予測を通じて、機密性の高いユーザ情報やインタラクションを不注意に公開することができる。 2つの主な理由から、GNNに標準のDPアプローチを適用することは推奨できない。 本稿では,グラフ学習に適したグラフ微分プライバシー(GDP)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-12T19:29:06Z)
• A Unified Framework of Graph Information Bottleneck for Robustness and Membership Privacy [43.11374582152925]
  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のモデリングにおいて大きな成功を収めている。 GNNは、GNNモデルを騙して望ましい予測をする敵攻撃に対して脆弱である。 本研究では、ロバストかつメンバーシップなプライバシー保護型GNNを開発するための新しい課題について検討する。
  論文  参考訳（メタデータ） (2023-06-14T16:11:00Z)
• Incorporating Unlabelled Data into Bayesian Neural Networks [48.25555899636015]
  本稿では,事前予測分布の適切なモデル学習に非ラベルデータを用いた自己教師付きベイズニューラルネットワークを提案する。 自己教師型BNNの事前予測分布は,従来のBNNよりも問題セマンティクスが優れていることを示す。 提案手法は, 従来のBNN, 特に低予算体制において, 予測性能を向上する。
  論文  参考訳（メタデータ） (2023-04-04T12:51:35Z)
• Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
  本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。 再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。 グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
  論文  参考訳（メタデータ） (2022-10-21T04:38:25Z)

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。