論文の概要: Defending against Model Extraction for GNNs with Model Reprogramming

• arxiv url: http://arxiv.org/abs/2608.11495v1
• Date: Tue, 11 Aug 2026 23:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.400735
• Title: Defending against Model Extraction for GNNs with Model Reprogramming
• Title（参考訳）: モデル再プログラミングによるGNNのモデル抽出の回避
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.82196268649236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) serve as the backbone for high-stakes applications in Machine-Learning-as-a-Service (MLaaS). Still, their black-box deployment exposes them to Model Extraction (ME) attacks, in which adversaries steal intellectual property by querying APIs. Existing defenses suffer from a critical ''Euclidean bias'': they transfer image-based strategies (e.g., random noise) to graphs, ignoring the complex topological dependencies between nodes, which often results in severe utility degradation. Passive methods like watermarking also fail to prevent theft in real time. To bridge this gap, we propose GraphRP (Graph Reprogramming Protection), a proactive defense framework that repurposes Model Reprogramming for security. Unlike static perturbations, GraphRP introduces a Structure-Aware Gating Mechanism driven by learnable topological prototypes. This creates a dynamic ''structural firewall'' that selectively modulates the model's decision boundary: it preserves fidelity for benign queries residing on the training manifold, while maximizing the Fisher Information along the perturbation direction for adversarial queries. Under standard assumptions (bounded loss, optimal attacker, and local second-order approximation), we prove a lower bound on the attacker's estimation error that increases with the structural sensitivity of the reprogramming noise. Extensive experiments on both hard-label and soft-label ME attacks demonstrate that GraphRP significantly degrades attack effectiveness while preserving benign utility.
• Abstract（参考訳）: Graph Neural Networks (GNN) は、MLaaS (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、彼らのブラックボックスデプロイメントは、APIをクエリすることで、敵が知的財産を盗む、モデル抽出(ME)攻撃にそれらを公開する。 既存の防御は、画像ベースの戦略(例えばランダムノイズ)をグラフに転送し、ノード間の複雑なトポロジ的依存関係を無視し、しばしば深刻なユーティリティ劣化をもたらす。 ウォーターマーキングのようなパッシブな方法は、リアルタイムで盗難を防ぐことができない。 このギャップを埋めるために、我々は、モデル再プログラミングをセキュリティのために再利用する積極的な防御フレームワークであるGraphRP(Graph Reming Protection)を提案する。 静的摂動とは異なり、GraphRPは学習可能なトポロジカルプロトタイプによって駆動されるStructure-Aware Gatingメカニズムを導入している。 これにより、動的'構造ファイアウォール'がモデルの決定境界を選択的に変調し、トレーニング多様体上に存在する良質なクエリに対する忠実さを保ちながら、敵対的なクエリに対する摂動方向に沿ってフィッシャー情報を最大化する。 標準的な仮定(有界損失、最適攻撃者、局所二階近似)の下では、再プログラムノイズの構造感度によって増加する攻撃者の推定誤差の低い境界が証明される。 ハードラベルとソフトラベルのME攻撃に対する大規模な実験により、GraphRPは良質な実用性を維持しながら攻撃効率を著しく低下させることが示された。

関連論文リスト

• Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL [20.70305524296098]
  グラフニューラルネットワーク(GNN)は、様々なマルチメディアタスクにおける複雑なリレーショナル依存関係を表現する基盤として登場した。 本稿では,脆弱性を意識したグラフプロシージャ学習を通じて,敵の防御知識を橋渡しする,転送可能なグラフ浄化手法ProGAPを提案する。 ProGAPは1%-9%の改善を実現し、最大2.2倍の時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-29T05:08:45Z)
• 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)
• 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)
• Graph Representation-based Model Poisoning on Federated Large Language Models [3.5233863453805143]
  フェデレートされた大規模言語モデル(FedLLMs)は、データのプライバシを保持しながら、無線ネットワーク内で強力な生成機能を実現する。 本稿では,FedLLMのモデル中毒技術と既存の防御機構の最近の進歩について概説する。 さらに、グラフ表現に基づくモデル中毒(GRMP)は、良質なクライアント勾配間の高次相関を利用して、悪意ある更新を正当なものと区別できないものにする新興攻撃パラダイムである。
  論文  参考訳（メタデータ） (2025-07-02T13:20:52Z)
• ATOM: A Framework of Detecting Query-Based Model Extraction Attacks for Graph Neural Networks [18.488168353080464]
  グラフニューラルネットワーク(GNN)は、グラフベースの機械学習・アズ・ア・サービス(GML)プラットフォームで注目を集めているが、グラフベースのモデル抽出攻撃(MEAs)に弱いままである。 GNNに適した新しいリアルタイムMEA検出フレームワークであるATOMを提案する。 ATOMはシーケンシャルモデリングと強化学習を統合して、進化する攻撃パターンを動的に検出し、$k$coreの埋め込みを利用して構造特性をキャプチャし、検出精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-20T20:25:32Z)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• 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)
• 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。