論文の概要: Structural Adversarial Attacks on Relational Deep Learning under Integrity Constraints

• arxiv url: http://arxiv.org/abs/2607.07089v1
• Date: Wed, 08 Jul 2026 07:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.313572
• Title: Structural Adversarial Attacks on Relational Deep Learning under Integrity Constraints
• Title（参考訳）: 統合性制約下における関係深層学習における構造的対立攻撃
• Authors: Alan Gany, Bogdan Cautis, Silviu Maniu,
• Abstract要約: Deep Deep Learning (DL)は、データベース上での機械学習の標準的な方法論となっている。 このパイプラインの対角的堅牢性について検討する。 我々は、グラフがどのように構築され、モデルを訓練されているかを知っているホワイトボックス攻撃者について検討する。
• 参考スコア（独自算出の注目度）: 6.588918521735523
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Relational Deep Learning (RDL) has become a standard methodology for machine learning on relational databases: the database is encoded as a heterogeneous temporal graph in which tuples become nodes and primary-key to foreign-key (PK-FK) dependencies become typed edges, over which a graph neural network is trained for downstream prediction. We study the adversarial robustness of this pipeline. We consider a white-box attacker who knows how the graph is built and the model is trained, reasons about perturbations on the graph, but can only act on the upstream database, by rewiring foreign-key references while preserving the integrity constraints of the schema (foreign-key validity, the degree-one FK constraint, and functional dependencies). This restricts the attacker to a constrained, combinatorial set of admissible edits under a global perturbation budget, which is intractable to explore exhaustively and made non-additive by GNN message passing. We investigate seven attack heuristics - two random sampling baselines and five gradient-guided variants that exploit differentiable edge masks - and evaluate them on the RelBench rel-f1 benchmark. Gradient-based attacks consistently outperform random baselines on regression tasks, whereas gains on classification are smaller, which we attribute to low label-flip rates and greater local stability of classification outputs.
• Abstract（参考訳）: リレーショナルディープラーニング(RDL)は、リレーショナルデータベース上での機械学習の標準的な方法論となっている。データベースは、タプルがノードになり、プライマリキーから外部キー(PK-FK)への依存が型付きエッジとなる異種時間グラフとしてエンコードされ、グラフニューラルネットワークが下流予測のためにトレーニングされる。 このパイプラインの対角的堅牢性について検討する。 我々は、グラフがどのように構築され、モデルが訓練されているかを知っているホワイトボックス攻撃者、グラフ上の摂動の理由であるが、スキーマの整合性(外部キーの妥当性、次数1のFK制約、機能依存)を維持しながら、外部キー参照を切り替えることによって、上流データベースにのみ作用できると考えている。 これにより、攻撃者はグローバルな摂動予算の下で許容可能な編集を制限され、GNNメッセージパッシングによって徹底的に探索され、非付加的になる。 本研究では,異なるエッジマスクを利用する2つのランダムサンプリングベースラインと5つの勾配誘導変種について調査し,RelBench rel-f1ベンチマークで評価した。 グラディエントベースの攻撃は、回帰タスクにおけるランダムベースラインを一貫して上回り、分類におけるゲインは小さく、ラベルフリップ率の低下と分類出力の局所安定性の向上が原因である。

関連論文リスト

• 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)
• GRASP: Geometry-aware Residual Alignment for Scalable Pretraining Data Attribution [5.770893169582546]
  この研究は、属性をサブセットレベルの反事実的ユーティリティ予測として再定義する。 相互作用を意識したサロゲートであるGRASPを紹介する。 それは、既存のスケーラブルなベースラインを決定的に上回る。
  論文  参考訳（メタデータ） (2026-06-05T04:17:50Z)
• RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases [49.47033473074821]
  RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。 RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。 以上の結果から,RelPrismはROC-AUCを4.15%改善し,MAEを10.75%削減した。
  論文  参考訳（メタデータ） (2026-05-22T05:19:58Z)
• Robust low-rank estimation with multiple binary responses using pairwise AUC loss [0.0]
  複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。 低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。 既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
  論文  参考訳（メタデータ） (2026-01-13T15:00:10Z)
• Conformal Inference under High-Dimensional Covariate Shifts via Likelihood-Ratio Regularization [35.16750653336608]
  ピンボール損失を正規化の新たな選択と組み合わせた正準比正則化量子回帰アルゴリズムを提案する。 LR-QR法は,対象領域の所望レベルにおいて,最小限の誤差項までカバレッジを有することを示す。 実験により、LR-QRアルゴリズムは、高次元予測タスクにおいて既存の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-18T16:46:44Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)

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。