論文の概要: Rethinking Molecular Graph Backdoors under Chemistry-aware Admission
- arxiv url: http://arxiv.org/abs/2606.23361v1
- Date: Mon, 22 Jun 2026 13:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:23:15.724931
- Title: Rethinking Molecular Graph Backdoors under Chemistry-aware Admission
- Title（参考訳）: 分子グラフバックドアの再考
- Authors: Thinh T. H. Nguyen, Sze Jue Yang, Khoa D. Doan, Chee Seng Chan, Kok-Seng Wong,
- Abstract要約: 分子グラフニューラルネットワーク(GNN)に対するバックドア攻撃は、一般的に抽象グラフ編集として評価される。
化学的に可能なモチーフアンカーアタッチメントを構成する分子バックドアアタックであるChemBackを提案する。
ChemBackは、クリーンな正確性を維持しながら、完全に認められた毒で高い攻撃成功を達成する。
- 参考スコア（独自算出の注目度）: 17.739437836430906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Backdoor attacks on molecular graph neural networks (GNNs) are typically evaluated as abstract graph edits, but real molecular learning pipelines do not train on arbitrary graphs. Molecular records must first survive parsing, sanitization, canonicalization, and graph-string consistency checks. We formalize this overlooked admission stage as ChemGuard, an operational protocol for testing whether a submitted molecular record can enter a realistic learning pipeline, while complementing existing defenses. ChemGuard admits a record only when its molecular string is sanitizable and the graph reconstructed from that string matches the submitted molecular graph. Under this operational view, many existing graph-based backdoors lose much of their apparent efficacy because their poisons are chemically invalid or representation-inconsistent. We then show that admission checks alone are insufficient to rule out molecular backdoors. We propose ChemBack, an admission-aware molecular backdoor attack that constructs chemically feasible motif-anchor attachments and ranks admitted candidates by fingerprint-based Tanimoto similarity to clean target-class molecules. ChemBack is model-free during trigger selection, using molecular structures, target labels, fingerprints, and public validity checks, but no victim model, surrogate GNN, learned embedding, gradient, logit, or training-code access. Across molecular benchmarks, validators, architectures, and defenses, \textbf{ChemBack} achieves high attack success with fully admitted poisons while preserving clean accuracy. Our results reveal a two-sided lesson, chemistry-aware admission suppresses many graph-only backdoors, yet chemically valid and target-aligned molecular backdoors remain a practical threat.
- Abstract（参考訳）: 分子グラフニューラルネットワーク(GNN)に対するバックドア攻撃は、一般的に抽象グラフ編集として評価されるが、実際の分子学習パイプラインは任意のグラフをトレーニングしない。
分子記録は、まず解析、衛生化、正準化、グラフストリング整合性チェックを生き残る必要がある。
提案する分子記録が現実的な学習パイプラインに入るかどうかを検証し,既存の防御を補完する運用プロトコルであるChemGuardとして,見落とされがちな入学ステージを定式化した。
ChemGuardは、その分子の文字列が活性化可能であり、その文字列から再構成されたグラフが提出された分子グラフと一致する場合にのみ、記録を承認する。
この運用上の見解では、既存のグラフベースのバックドアの多くは、化学物質が化学的に無効または表現に一貫性がないため、その明らかな有効性の多くを失う。
次に、入室検査だけで分子バックドアを除外できないことを示す。
そこで我々はChemBackを提案する。ChemBackは、化学的に実現可能なモチーフアンカーアタッチメントを構築できる分子バックドア攻撃であり、指紋ベースの谷本分子とクリーンなターゲットクラス分子との類似性によって候補をランク付けする。
ChemBackは、分子構造、ターゲットラベル、指紋、公衆の妥当性チェックなどを使用してトリガ選択時にモデルレスだが、GNNを代理する犠牲者モデル、学習された埋め込み、勾配、ロジット、トレーニングコードアクセスは存在しない。
分子ベンチマーク、バリデータ、アーキテクチャ、ディフェンス全体にわたって、 \textbf{ChemBack} は、クリーンな精度を維持しながら、完全に認可された毒で高い攻撃成功を達成する。
以上の結果から,両面のレッスンが実施され,化学を意識した入院はグラフのみのバックドアの多くを抑圧するが,化学的に有効な分子バックドアとターゲットに整合した分子バックドアは現実的な脅威であることがわかった。
関連論文リスト
- Poisoning the Inner Prediction Logic of Graph Neural Networks for Clean-Label Backdoor Attacks [14.78287918605942]
グラフニューラルネットワーク(GNN)は,様々なタスクにおいて顕著な成果を上げている。
グラフバックドア攻撃は、ターゲットクラスとしてアタッチされたトリガでテストノードを予測するためにGNNモデルに悪影響を及ぼす可能性がある。
本稿では, 有害ノードセレクタと論理汚染トリガ発生器を協調してこの問題を解決するため, BA-Logicを提案する。
論文 参考訳（メタデータ） (2026-03-05T09:51:43Z) - MADE: Graph Backdoor Defense with Masked Unlearning [24.97718571096943]
グラフニューラルネットワーク(GNN)は、グラフ関連タスクの処理能力に優れていたため、研究者から大きな注目を集めている。
最近の研究では、GNNはトレーニングデータセットにトリガを注入することで実装されたバックドア攻撃に対して脆弱であることが示されている。
この脆弱性は、薬物発見のようなセンシティブなドメインにおけるGNNの応用に重大なセキュリティリスクをもたらす。
論文 参考訳（メタデータ） (2024-11-26T22:50:53Z) - GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。
種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras [51.92255321684027]
MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである
MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。
GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
論文 参考訳（メタデータ） (2022-08-21T18:37:41Z) - Attention-wise masked graph contrastive learning for predicting
molecular property [15.387677968070912]
大規模無ラベル分子のための自己教師付き表現学習フレームワークを提案する。
我々は,注目グラフマスクと呼ばれる新しい分子グラフ拡張戦略を開発した。
我々のモデルは重要な分子構造と高次意味情報を捉えることができる。
論文 参考訳（メタデータ） (2022-05-02T00:28:02Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - MolCLR: Molecular Contrastive Learning of Representations via Graph
Neural Networks [11.994553575596228]
MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。
原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。
提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-02-19T17:35:18Z) - RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De
Novo Drug Design [75.14290780116002]
我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。
提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
論文 参考訳（メタデータ） (2020-11-25T22:04:16Z)
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。