論文の概要: Blackknife: Hard-Label Query-Limited Black-Box Attacks on Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.29240v1
• Date: Sun, 28 Jun 2026 07:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.84316
• Title: Blackknife: Hard-Label Query-Limited Black-Box Attacks on Heterogeneous Graph Neural Networks
• Title（参考訳）: Blackknife: 異種グラフニューラルネットワーク上でのハードラベルクエリ制限されたブラックボックス攻撃
• Abstract要約: 不均一グラフニューラルネットワーク(HGNN)は、複数のノードと関係型を持つ複雑なグラフ構造化データのモデリングにおいて、強力な性能を実現している。 HGNNに対する既存の攻撃は、モデル勾配、ソフト予測スコア、あるいは完全なグラフ構造へのアクセスを前提としている。 ハードラベル、クエリ制限、構造制限付きブラックボックス回避攻撃フレームワークであるBlackknifeを提案する。
• 参考スコア（独自算出の注目度）: 7.2912795886741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graph neural networks (HGNNs) have achieved strong performance in modeling complex graph-structured data with multiple node and relation types. However, their robustness under realistic black-box adversarial settings remains insufficiently explored. Existing attacks on HGNNs usually assume access to model gradients, soft prediction scores, or the complete graph structure, which is often unavailable when HGNN-based services are deployed as closed systems. In this paper, we propose Blackknife, a hard-label, query-limited, and structure-limited black-box evasion attack framework for heterogeneous graph neural networks. Blackknife assumes no access to the victim model architecture, parameters, gradients, logits, confidence scores, or the full graph structure. Instead, it only relies on locally observable one-hop heterogeneous structures and a small number of hard-label queries. To generate effective perturbations under these strict constraints, Blackknife first constructs a local relation-aware surrogate model from observable heterogeneous neighborhoods. It then relaxes discrete edge addition and deletion operations into continuous soft weights and optimizes them through projected gradient descent. Finally, the optimized perturbations are discretized into relation-preserving structural rewiring operations and verified using limited hard-label feedback from the victim model. Extensive experiments on three benchmark heterogeneous graph datasets, including ACM, DBLP, and IMDB, demonstrate that Blackknife consistently achieves strong attack success rates against representative HGNN models. The results further show that Blackknife remains effective under topology-based defense strategies, revealing the vulnerability of HGNNs to local structure-limited black-box attacks.
• Abstract（参考訳）: 不均一グラフニューラルネットワーク(HGNN)は、複数のノードと関係型を持つ複雑なグラフ構造化データのモデリングにおいて、強力な性能を実現している。 しかし、現実的なブラックボックスの敵対的設定下での頑健さはいまだに十分に調査されていない。 既存のHGNNに対する攻撃は通常、モデル勾配、ソフト予測スコア、あるいは完全なグラフ構造へのアクセスを前提としており、HGNNベースのサービスがクローズドシステムとしてデプロイされる場合、しばしば利用できない。 本稿では、異種グラフニューラルネットワークのためのハードラベル、クエリ制限、構造制限付きブラックボックス回避攻撃フレームワークであるBlackknifeを提案する。 Blackknifeは、犠牲者のモデルアーキテクチャ、パラメータ、勾配、ログ、信頼性スコア、あるいは完全なグラフ構造へのアクセスを前提としていない。 代わりに、ローカルで観測可能なワンホップの不均一構造と少数のハードラベルクエリにのみ依存する。 これらの厳密な制約の下で効果的な摂動を生成するために、ブラッククニフェはまず、観測可能な異種近傍から局所的関係対応の代理モデルを構築する。 その後、離散的なエッジの追加と削除操作を連続したソフトウェイトに緩和し、投影された勾配降下によってそれらを最適化する。 最後に、最適化された摂動を関係保存構造変更操作に分解し、被害者モデルからの限られたハードラベルフィードバックを用いて検証する。 ACM、DBLP、IMDBを含む3つのベンチマークヘテロジニアスグラフデータセットに対する大規模な実験は、ブラックナイフが代表的HGNNモデルに対する強力な攻撃成功率を一貫して達成していることを示している。 さらに、ブラックナイフは、局所的な構造制限されたブラックボックス攻撃に対するHGNNの脆弱性を明らかにし、トポロジーに基づく防衛戦略の下で有効であることを示す。

関連論文リスト

• 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)
• SEA: Spectral Edge Attacks on Graph Neural Networks [1.066048003460524]
  本稿では,スペクトルロバスト性評価を利用して摂動を誘導する新たな攻撃群を提案する。 i)最もスペクトル的に堅牢なエッジを除去するSpade-guided deletion攻撃と,(ii)脆弱なスペクトル空間において最大不整合なノード間のエッジを挿入するSpade-guided addition攻撃である。
  論文  参考訳（メタデータ） (2025-11-30T01:40:15Z)
• Safeguarding Graph Neural Networks against Topology Inference Attacks [16.885180168745546]
  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から学習するための強力なモデルとして登場した。 本稿では,GNNにおけるトポロジ的プライバシリスクに関する総合的研究を行い,グラフレベルの推論攻撃に対する脆弱性を明らかにする。 モデル精度を維持しながらトポロジのプライバシを保護するために設計された新しい防御フレームワークであるPrivate Graph Reconstruction (PGR)を紹介する。
  論文  参考訳（メタデータ） (2025-09-05T18:17:57Z)
• HeteroBA: A Structure-Manipulating Backdoor Attack on Heterogeneous Graphs [5.39755597471183]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、リコメンデーション、ファイナンス、ソーシャルネットワークなどの領域における複雑なマルチリレーショナルデータをモデリングするために、近年注目を集めている。 異種グラフ上のノード分類タスクのための新しい異種バックドア攻撃フレームワークを提案する。 我々は,HGNNの潜在的な脆弱性に光を当て,マルチリレーショナルグラフのシナリオにおいて,バックドアの脅威に対するより堅牢な防御を求める。
  論文  参考訳（メタデータ） (2025-05-27T12:51:48Z)
• 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)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Black-box Node Injection Attack for Graph Neural Networks [29.88729779937473]
  被害者のGNNモデルを回避するためにノードを注入する可能性について検討する。 具体的には,グラフ強化学習フレームワークGA2Cを提案する。 本稿では,既存の最先端手法よりもGA2Cの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-18T19:17:43Z)
• Improving Query Efficiency of Black-box Adversarial Attack [75.71530208862319]
  ニューラルプロセスに基づくブラックボックス対逆攻撃(NP-Attack)を提案する。 NP-Attackはブラックボックス設定でクエリ数を大幅に削減できる。
  論文  参考訳（メタデータ） (2020-09-24T06:22:56Z)
• 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。