論文の概要: Attacking Graph Foundation Models Through Their Shared Representation

• arxiv url: http://arxiv.org/abs/2607.18567v1
• Date: Mon, 20 Jul 2026 23:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.267954
• Title: Attacking Graph Foundation Models Through Their Shared Representation
• Title（参考訳）: グラフ基礎モデルの共有表現による攻撃
• Abstract要約: グラフ基礎モデルは、全ての入力をタスク推論の前に1つの共有表現にマッピングすることで、グラフ領域をまたいで一般化する。 我々は、先行研究が研究していない別な攻撃面であることを示した。 スペクトルトークン化器、テキスト埋め込みスペース、離散コードブックにまたがる6つの公開モデル上で、トレーニングへのアクセスなしで、推論時に攻撃します。
• 参考スコア（独自算出の注目度）: 1.4055000065255678
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A graph foundation model generalizes across graph domains by mapping every input into one shared representation before any task reasoning. We call this map the alignment layer, the component that separates a graph foundation model from a graph neural network, and we show it is a distinct attack surface that prior work has not studied. We attack it at inference time, with no access to training, on six public models spanning spectral tokenizers, text embedding spaces, and a discrete codebook. A directed representation-space perturbation collapses every model, but at a budget comparable to the representation norm a plain graph network also needs, with one exception: OpenGraph, whose spectral tokenizer collapses at a fifth of that budget, an alignment-specific fragility a plain network does not share and which a same-representation control traces to the tokenizer rather than the decoder. A realizable input-space attack that edits edges, features, or text removes at least half the correct predictions on three of the six models at peak. How much of this fragility an input-access attacker realizes tracks how directly the decoder reads the representation, and not the clean accuracy a task leaves; we measure this carrier gain structurally from the decoder's local Lipschitz sensitivity, and report clean-accuracy headroom as a within-model ordering heuristic that does not survive on realizable attacks.
• Abstract（参考訳）: グラフ基礎モデルは、全ての入力をタスク推論の前に1つの共有表現にマッピングすることで、グラフ領域をまたいで一般化する。 我々はこのマップを,グラフ基盤モデルをグラフニューラルネットワークから分離するコンポーネントであるアライメント層と呼び,先行研究が未検討であることを示す。 スペクトルトークン化器、テキスト埋め込みスペース、離散コードブックにまたがる6つの公開モデル上で、トレーニングへのアクセスなしで、推論時に攻撃します。 有向表現空間の摂動はすべてのモデルを崩壊させるが、表現ノルムに匹敵する予算では、平板グラフネットワークも1つの例外を除いて必要である: スペクトルトークン化器が予算の5分の1で崩壊するOpenGraph、平板ネットワークが共有しないアライメント固有の脆弱性、同じ表現制御がデコーダではなくトークン化器にトレースされるもの。 エッジ、特徴、テキストを編集する実現可能な入力空間攻撃は、ピーク時の6つのモデルのうち3つの正しい予測の少なくとも半分を除去する。 入力アクセスアタッカーは、デコーダのローカルリプシッツ感度からこのキャリアの得度を構造的に測定し、クリーンな精度のヘッドルームを、再現可能な攻撃で生き残らないモデル内順序ヒューリスティックとして報告する。

関連論文リスト

• 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)
• A Systematic Study of Model Extraction Attacks on Graph Foundation Models [32.616928898012624]
  本稿では,グラフ基礎モデル(GFM)に対するモデル抽出攻撃(MEAs)の最初の系統的研究について述べる。 本稿では,グラフ埋め込みの教師付き回帰を用いて攻撃者エンコーダを訓練する軽量抽出手法を提案する。 実験の結果、攻撃者は元のトレーニングコストのごく一部しか使わず、ほとんど精度を損なうことなく、被害者モデルを近似できることがわかった。
  論文  参考訳（メタデータ） (2025-11-14T22:43:42Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Defense-as-a-Service: Black-box Shielding against Backdoored Graph Models [8.318114584158165]
  リソース制約のあるビジネスオーナーがサードパーティに頼ってバックドア攻撃を回避できるGraphProtを提案する。 GraphProtはモデルに依存しず、入力グラフのみに依存します。 3つのバックドア攻撃と6つのベンチマークデータセットによる実験結果から、GraphProtがバックドア攻撃の成功率を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2024-10-07T11:04:38Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• 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)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Adversarial Attack Framework on Graph Embedding Models with Limited Knowledge [126.32842151537217]
  現存する作品は通常、ホワイトボックス方式で攻撃を行う。 ブラックボックス駆動で様々なグラフ埋め込みモデルに対処する必要がある。 GF-Attackはグラフ埋め込みモデルの層数を知ることなく効果的な攻撃を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-05-26T09:18:58Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)

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。