論文の概要: Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2606.25589v1
- Date: Wed, 24 Jun 2026 08:59:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.286618
- Title: Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks
- Title（参考訳）: 漏洩回路の秘密:グラフニューラルネットワーク上のグラディエント漏洩攻撃
- Abstract要約: グラフニューラルネットワーク(GNN)におけるグラデーションリーク攻撃(GLAs)の包括的評価について述べる。
GLAは、ゲートタイプやハードウェアトロイの木馬特有の特性などの機密情報を公開することができる。
我々は、微分プライバシー、勾配クリッピング、セキュアアグリゲーション、量子化によるモデル圧縮、敵対的トレーニングなど、いくつかのSOTA防御技術を評価する。
- 参考スコア（独自算出の注目度）: 6.1625231866179595
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As graph neural networks (GNNs) become standard tools for critical tasks in circuit design and analysis, their security and privacy risks require careful attention. Here, we present the first comprehensive evaluation of gradient leakage attacks (GLAs) on GNNs in circuit-design and hardware-security tasks, a practical threat that has been largely overlooked. We assess state-of-the-art (SOTA) GNNs, including GraphSAGE, GCN, GIN, and GAT, trained on standard netlist benchmarks (ISCAS'85, EPFL, and TrustHub), for their fundamental vulnerability to GLAs. We find that GLAs can expose sensitive information, such as gate types and distinctive properties of hardware Trojans, which may assist adversaries in analyzing logic locking schemes or evading Trojan detection mechanisms. Our analysis shows that these risks are influenced by architectural features, with attention mechanisms (GAT) exacerbating leakage, while injective aggregation (GIN) provides comparatively stronger resilience. We further evaluate several SOTA defense techniques, including differential privacy, gradient clipping, secure aggregation, model compression with quantization, and adversarial training. We find that these techniques improve resilience only in specific settings and can also compromise model performance. Overall, our work provides key insights toward privacy-preserving GNNs and highlights the need for more robust and efficient defenses. We release our full methodology and artifacts.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)が回路設計と分析において重要なタスクの標準ツールになるにつれて、そのセキュリティとプライバシのリスクには注意が必要である。
本稿では,回路設計およびハードウェアセキュリティタスクにおけるGNNの勾配漏洩攻撃(GLA)の総合的評価について述べる。
我々は、標準ネットリストベンチマーク(ISCAS'85、EPFL、TrustHub)でトレーニングされたGraphSAGE、GCN、GIN、GATを含む最先端(SOTA)のGNNを、GLAに対する根本的な脆弱性として評価する。
GLAは,論理ロック方式の解析やトロイジャン検出機構の回避において,相手を支援するハードウェアTrojansのゲートタイプや特性などの機密情報を公開することができる。
分析の結果,これらのリスクは建築的特徴の影響を受けており,注意機構(GAT)は漏出を悪化させる一方,射出凝集(GIN)は比較的強いレジリエンスをもたらすことがわかった。
さらに、微分プライバシー、勾配クリッピング、セキュアアグリゲーション、量子化によるモデル圧縮、敵の訓練など、いくつかのSOTA防御技術を評価する。
これらの技術は、特定の設定でのみレジリエンスを改善し、モデルのパフォーマンスを損なう可能性がある。
私たちの研究は全体として、プライバシー保護のGNNに対する重要な洞察を提供し、より堅牢で効率的な防御の必要性を強調しています。
完全な方法論とアーティファクトをリリースします。
関連論文リスト
- Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks [3.444915014411325]
グラフニューラルネットワーク(GNN)は、機械学習(ML)ベースのネットワーク侵入検知システム(NIDS)のための有望なソリューションである
GNNは、エッジを注入したりノードを挿入することで、攻撃者が基盤となるネットワークグラフトポロジを乱す構造的敵攻撃に対して脆弱なままである。
本稿では,GNN ベースの NIDS を構造攻撃に対して強化するための対人訓練に基づく防御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:06:12Z) - Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。
それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。
既存の防衛は「ユークリッドバイアス」に苦しむ
セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
論文 参考訳（メタデータ） (2026-08-11T23:20:15Z) - Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。
本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。
本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。
防衛面では, MC-GPB (+) を提案する。
論文 参考訳（メタデータ） (2026-06-06T09:29:27Z) - Adversarial Attacks and Defenses on Graph-aware Large Language Models (LLMs) [8.885929731174492]
大規模言語モデル(LLM)は、ノード分類のようなタスクのためのグラフ構造化データとますます統合されています。
グラフベースモデルに適した既存の敵攻撃手法を活用することにより、グラフ対応LCMの脆弱性を調査する第一歩を踏み出す。
本稿では,LLMをベースとした特徴補正モジュールを併用して特徴レベルの摂動を軽減し,構造的攻撃から保護するためのGNNディフェンスを適応させる,エンドツーエンドのディフェンスフレームワークGALGUARDを提案する。
論文 参考訳（メタデータ） (2025-08-06T21:38:52Z) - KCES: Training-Free Defense for Robust Graph Neural Networks via Kernel Complexity [24.925490936301184]
グラフニューラルネットワーク(GNN)は、小さくて知覚できない摂動や敵の攻撃に対して非常に脆弱である。
本稿では,KCES(Kernel Complexity-Based Edge Sanitization)を提案する。
KCESは一貫してGNNの堅牢性を高め、最先端のベースラインを上回り、既存の防御効果を増幅する。
論文 参考訳（メタデータ） (2025-06-13T09:33:41Z) - Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。
ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
論文 参考訳（メタデータ） (2024-12-11T17:17:02Z) - Identifying Backdoored Graphs in Graph Neural Network Training: An Explanation-Based Approach with Novel Metrics [13.93535590008316]
グラフニューラルネットワーク(GNN)は多くのドメインで人気を集めているが、バックドア攻撃に弱い。
グラフレベルの説明を創造的に活用する新しい検出法を考案した。
提案手法は, バックドア攻撃に対するGNNの安全性向上に寄与し, 高い検出性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-03-26T22:41:41Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。
提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。
本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T03:17:05Z) - 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) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。