論文の概要: GDGU: A Gradient Difference-based Graph Unlearning Method for Cyberattack Localization in Electric Vehicle Charging Networks

• arxiv url: http://arxiv.org/abs/2606.19566v1
• Date: Wed, 17 Jun 2026 20:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.521666
• Title: GDGU: A Gradient Difference-based Graph Unlearning Method for Cyberattack Localization in Electric Vehicle Charging Networks
• Title（参考訳）: GDGU:電気自動車充電ネットワークにおけるサイバーアタックローカライゼーションのためのグラフアンラーニング手法
• Authors: Nanhong Liu, Mucun Sun, Jie Zhang,
• Abstract要約: 電気自動車充電ステーション(EVCS)は、配電体をサイバー攻撃に晒すことができる。 EVCSサイバーアタックローカライゼーションのための勾配差分グラフアンラーニング(GDGU)を提案する。 我々は,IEEE 34-bus,123-bus,8500ノードの2次GUベースラインに対してGDGUをベンチマークした。
• 参考スコア（独自算出の注目度）: 3.9286216777643737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric vehicle charging stations (EVCSs) can expose distribution feeders to cyberattacks. While machine learning methods, including graph neural networks, can localize which bus is compromised, significant challenges remain in data sharing and model training. For example, privacy regulations grant EVCS owners the right to delete their training data from a deployed model, yet retraining from scratch on every request is computationally prohibitive. To address this, we study graph unlearning (GU) for EVCS cyberattack localization, formulated as a feature-level unlearning problem on a graph-level multi-label classification task. Specifically, we propose gradient difference-based graph unlearning (GDGU), which removes the influence of the requested deletion data through a first-order parameter correction. The correction is computed from the gradient difference between the original training data and a modified dataset in which only the charging power features at the requested EVCS buses are unlearned. Then, a batch-normalization recalibration and a brief recovery fine-tuning step are applied to restore localization utility. We benchmark GDGU against two second-order GU baselines on the IEEE 34-bus, 123-bus, and 8500-node distribution networks across three graph neural network backbones and cumulative unlearning scenarios. GDGU matches the strongest baseline on localization utility and reaches forgetting fidelity close to full-retraining, while unlearning 10 to 12 times faster than retraining from scratch and using far less memory than the second-order GU baselines.
• Abstract（参考訳）: 電気自動車充電ステーション(EVCS)は、配電体をサイバー攻撃に晒すことができる。 グラフニューラルネットワークを含む機械学習手法は、どのバスが妥協しているかをローカライズすることができるが、データ共有とモデルトレーニングには大きな課題が残っている。 例えば、プライバシー規制によってEVCSのオーナーは、デプロイされたモデルからトレーニングデータを削除できるが、要求毎にスクラッチから再トレーニングすることは、計算的に禁止されている。 そこで我々は,EVCSサイバーアタックローカライゼーションのためのグラフアンラーニング(GU)を,グラフレベルのマルチラベル分類タスクにおいて特徴レベルアンラーニング問題として定式化した。 具体的には,1次パラメータ補正によって要求された削除データの影響を除去する勾配差分に基づくグラフアンラーニング(GDGU)を提案する。 元のトレーニングデータと、要求されたEVCSバスの充電電力特徴のみを学習する修正データセットとの勾配差から補正を算出する。 そして、局所化ユーティリティを復元するために、バッチ正規化補正と簡単なリカバリ微調整ステップを適用する。 我々は、GDGUを、IEEE 34-bus、123-bus、および8500ノードの3つのグラフニューラルネットワークバックボーンと累積的未学習シナリオの2次GUベースラインに対してベンチマークした。 GDGUは、ローカライゼーションユーティリティにおいて最強のベースラインと一致し、フルリトレーニングに近い忠実さを忘れて到達する一方で、スクラッチからのリトレーニングよりも10～12倍早く学習し、第2のGUベースラインよりもはるかに少ないメモリを使用する。

関連論文リスト

• Closed-Form Node Classification with Exact Graph Unlearning [1.9694904550039807]
  我々は、調整されたホモフィリーによって選択された経路付き閉形式フレームワークを提案する。 分類グラフに対しては、SGCスタイルの伝搬とリッジ回帰を用いる。 ヘテロ親和性グラフに対しては,レイヤワイド閉形式グラフ特徴分級ネットワークであるLCF-Netを導入する。
  論文  参考訳（メタデータ） (2026-05-25T10:12:43Z)
• Attack by Unlearning: Unlearning-Induced Adversarial Attacks on Graph Neural Networks [29.541462621016013]
  グラフネットワーク(GNN)は、ソーシャルネットワーク、レコメンダシステム、金融プラットフォームといった分野におけるグラフ構造化データから学習するために広く利用されている。 CCPAやPIPEDAといったプライバシ規則に従うために、グラフアンラーニングは信頼性の高いグラフ学習においてますます重要になっている。 本研究では,このような劣化を敵攻撃に増幅できることを示す。
  論文  参考訳（メタデータ） (2026-03-19T07:30:28Z)
• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• Gradient Rewiring for Editable Graph Neural Network Training [84.77778876113099]
  underlineGradient underlineRewiringメソッドは、textbfGREという、アンダーライン編集可能なグラフニューラルネットワークトレーニングのためのものだ。 そこで本稿では,textbfGRE という名前のアンダーライン編集可能なグラフニューラルネットワークトレーニングのための,シンプルで効果的なアンダーライングラディエントアンダーラインリスイッチ法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T01:01:50Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Unlearning Graph Classifiers with Limited Data Resources [39.29148804411811]
  制御されたデータ削除は、データに敏感なWebアプリケーションのための機械学習モデルの重要機能になりつつある。 グラフニューラルネットワーク(GNN)の効率的な機械学習を実現する方法はまだほとんど知られていない。 我々の主な貢献は GST に基づく非線形近似グラフアンラーニング法である。 第2の貢献は、提案した未学習機構の計算複雑性の理論解析である。 第3のコントリビューションは広範囲なシミュレーションの結果であり、削除要求毎のGNNの完全再トレーニングと比較して、新しいGSTベースのアプローチは平均10.38倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2022-11-06T20:46:50Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)

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。