Fugu-MT 論文翻訳(概要): TH-GNN: Heterogeneous Temporal Graph Neural Networks for LLM-Agent Shilling Attack Detection

論文の概要: TH-GNN: Heterogeneous Temporal Graph Neural Networks for LLM-Agent Shilling Attack Detection

arxiv url: http://arxiv.org/abs/2608.20376v1
Date: Wed, 24 Jun 2026 08:00:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.28953
Title: TH-GNN: Heterogeneous Temporal Graph Neural Networks for LLM-Agent Shilling Attack Detection
Title（参考訳）: TH-GNN:LLM-Agentシリング検出のための異種時間グラフニューラルネットワーク
Abstract要約: レビュー埋め込みにおける意味的ドリフトをフラグするテキスト専用検出器は、グラフ構造と時間的調整に盲目である。ヘテロジニアスグラフ変換器のバックボーンを有する異種時間グラフニューラルネットワークTH-GNNを提案する。 TH-GNNのF1スコアは0.870で、Agent4SR攻撃におけるテキストのみのベースラインを上回っている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: LLM agents can now generate realistic shilling profiles, fluent reviews, and coherent ratings at scale, systematically defeating recommender-system defenses. Text-only detectors that flag semantic drift in review embeddings are blind to graph structure and temporal coordination, while graph-only detectors that exploit neighborhood anomalies cannot reason over review semantics or the cross-modal inconsistencies produced by LLM-generated content. We propose TH-GNN, a heterogeneous temporal graph neural network with a two-layer Heterogeneous Graph Transformer backbone that applies per-type and per-relation attention augmented with learnable sinusoidal temporal encodings on every edge. Cross-modal attention fuses structural user embeddings with frozen RoBERTa representations of reviews and item descriptions, while a GRU operating over log inter-arrival times captures temporal burstiness. Evaluated across five attack families and four benchmark datasets, TH-GNN achieves a grand-mean F1 score of 0.870, outperforming the strongest text-only baseline on Agent4SR attacks by 10.9 percentage points and 11.5 percentage points at the lowest injection rate. These results demonstrate the effectiveness of jointly modeling temporal, structural, and semantic signals for detecting sophisticated LLM-driven shilling attacks.
Abstract（参考訳）: LLMエージェントは、現実的なシリングプロファイル、流動的なレビュー、一貫性のある評価を大規模に生成することができ、体系的にレコメンダ・システム・ディフェンスを破ることができる。レビュー埋め込みにおけるセマンティックドリフトを示すテキストオンリー検出器はグラフ構造や時間的調整に盲目であり、一方、近隣の異常を利用するグラフオンリー検出器は、レビューセマンティクスやLLM生成コンテンツが生み出すクロスモーダルな矛盾を説明できない。 TH-GNNは2層ヘテロジニアスグラフトランスフォーマーのバックボーンを持つ異種時間グラフニューラルネットワークであり、各エッジに学習可能な正弦波時間エンコーディングを付加して、タイプ毎および相互関係の注意を印加する。クロスモーダルアテンションは、凍結されたRoBERTaのレビューとアイテム記述の表現と構造的ユーザ埋め込みを融合させる一方、ログ間時間で動作するGRUは、時間的バーストをキャプチャする。 5つの攻撃ファミリーと4つのベンチマークデータセットで評価され、TH-GNNはF1スコアの0.870を達成し、最も高いテキストのみのベースラインであるエージェント4SR攻撃を10.9ポイント、最も低いインジェクションレートで11.5ポイント上回った。これらの結果から, 時間的, 構造的, 意味的な信号の同時モデリングが, 高度なLDM駆動シリング攻撃の検出に有効であることが示唆された。

関連論文リスト

Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
論文参考訳（メタデータ） (2026-08-27T07:25:44Z)
Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。検出器は凍結されているため、検出性能は正確に保存される。 X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
論文参考訳（メタデータ） (2026-08-12T15:58:27Z)
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)
Are LLM-Enhanced Graph Neural Networks Robust against Poisoning Attacks? [9.709556420480508]
大規模言語モデル(LLM)は、ノード表現をセマンティックな特徴で強化することにより、高度なグラフニューラルネットワーク(GNN)を持つ。本研究では, LLM強化GNNを中毒攻撃下で体系的に評価するロバストネス評価フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-27T06:28:25Z)
Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations [3.294619412118624]
インサイダー脅威検出(ITD)は,信頼されたユーザによる悪意ある行為の微妙で隠された性質のため,課題である。本稿では,明示的かつ暗黙的なグラフ表現と時間的モデリングを統合し,複雑なユーザ行動パターンをキャプチャするポストホックITDフレームワークを提案する。
論文参考訳（メタデータ） (2025-12-20T19:48:35Z)
Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
論文参考訳（メタデータ） (2025-09-29T08:52:30Z)
Breaking Obfuscation: Cluster-Aware Graph with LLM-Aided Recovery for Malicious JavaScript Detection [9.83040332336481]
悪意あるJavaScriptコードは、ユーザのプライバシ、システム整合性、エンタープライズセキュリティに重大な脅威をもたらす。大規模言語モデル(LLM)に基づく難読化とコードグラフ学習を組み合わせたハイブリッドディフェンスフレームワークであるDeCodaを提案する。
論文参考訳（メタデータ） (2025-07-30T07:46:49Z)
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)
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)
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。