論文の概要: Are LLM-Enhanced GNNs Privacy-Safe?

• arxiv url: http://arxiv.org/abs/2608.25727v1
• Date: Wed, 26 Aug 2026 12:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.824126
• Title: Are LLM-Enhanced GNNs Privacy-Safe?
• Title（参考訳）: LLM強化GNNはプライバシセーフか?
• Abstract要約: 大規模言語モデル(LLM)は近年,ノード表現を意味情報で強化することで,グラフニューラルネットワーク(GNN)を進化させた。 5段階からなる統一フレームワークを用いて,LLM強化GNNにおけるプライバシーリスクのシステマティック評価を行う。
• 参考スコア（独自算出の注目度）: 16.380888335450795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have recently advanced graph neural networks (GNNs) by enriching node representations with semantic information, giving rise to LLM-enhanced GNNs that achieve substantial performance gains. However, their vulnerability to privacy attacks, in which adversaries infer sensitive information from model outputs, remains largely underexplored. To bridge this gap, we present a systematic evaluation of privacy risks in LLM-enhanced GNNs through a unified framework consisting of five stages: (1) dataset preparation, (2) victim model training, (3) privacy attack, (4) risk assessment, and (5) defense analysis. Specifically, we conduct experiments on six real-world text-attributed graph datasets covering diverse domains. We consider six representative privacy attack methods targeting three fundamental threats, namely link, label, and membership inference, and construct 42 victim model configurations by combining multiple LLM-based feature enhancers with representative GNN backbones. Extensive experiments show that, despite their utility improvements, LLM-enhanced GNNs consistently exhibit increased vulnerability to privacy attacks compared to shallow text representation baselines. Further analysis reveals that semantic enrichment amplifies link-, label-, and membership-related signals in the embedding space, making them more exploitable by inference attacks. Finally, we evaluate differential privacy as a defense strategy and show that, while it can partially mitigate privacy risks, it introduces significant utility degradation, highlighting a fundamental privacy-utility trade-off in LLM-enhanced graph learning. Overall, this work provides a comprehensive understanding of privacy risks in LLM-enhanced GNNs and offers practical insights for developing more secure and trustworthy graph learning systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、ノード表現を意味情報で豊かにすることでグラフニューラルネットワーク(GNN)を進歩させた。 しかし、モデル出力からセンシティブな情報を推測するプライバシー攻撃に対する彼らの脆弱性は、いまだに未解明のままである。 このギャップを埋めるために,(1)データセット作成,(2)被害者モデルトレーニング,(3)プライバシアタック,(4)リスク評価,(5)防衛分析の5段階からなる統一的な枠組みを通じて,LLM強化GNNのプライバシリスクを体系的に評価する。 具体的には、さまざまな領域をカバーする6つの実世界のテキスト分散グラフデータセットについて実験を行う。 リンク,ラベル,メンバシップ推論という3つの基本的な脅威を対象とする6つの代表的なプライバシ攻撃手法を検討するとともに,複数のLCMベースの特徴増強器と代表GNNバックボーンを組み合わせることで,42の被害者モデル構成を構築する。 広範にわたる実験は、実用性の改善にもかかわらず、LLM強化GNNは、浅いテキスト表現ベースラインに比べて、プライバシー攻撃に対する脆弱性が常に増加していることを示している。 さらなる分析により、セマンティックエンリッチメントは、埋め込み空間におけるリンク、ラベル、およびメンバーシップ関連の信号を増幅し、推論攻撃によりより悪用できることが明らかになった。 最後に, 差分プライバシを防衛戦略として評価し, プライバシーリスクを部分的に軽減できる一方で, LLM強化グラフ学習における基本的なプライバシユーティリティトレードオフを浮き彫りにして, 大幅なユーティリティ劣化をもたらすことを示す。 全体として、この研究はLLM強化GNNにおけるプライバシーリスクの包括的理解を提供し、よりセキュアで信頼性の高いグラフ学習システムを開発するための実践的な洞察を提供する。

関連論文リスト

• Steering LLM Viewpoints through Fabricated Evidence Injection [61.22850755490993]
  提案手法では,2段階のアタック・フレームワークを導入し,まず構成された有理数で誤解を招く文を再パッケージし,関連する問合せに応答する上で,これらの視点を組み込むことを目標LLMに指示する。 BBQ、ToxiGen、および我々の特別なデータセットの実験により、外部安全分類器を持たない商用LLMは、非常に脆弱であることが判明した。 そこで我々は,複数の防衛戦略について検討し,その中のひとつとして,gpt-oss-safeguardが81%の検知率を達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:48:23Z)
• 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)
• Adversarial Attacks on Locally Private Graph Neural Networks [6.7726810135041235]
  ローカル微分プライバシー(LDP)は、GNNをトレーニングするためのプライバシー保護フレームワークを提供する。 本稿では,LPP保護GNNに対する敵攻撃について検討する。
  論文  参考訳（メタデータ） (2026-03-21T10:23:48Z)
• Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating [71.55435880263238]
  ニューラルゲート(Neural Gate)は,ニューロンレベルのモデル編集によってプライバシリスクを軽減する新しい手法である。 本手法は,プライバシ関連質問に対する拒否率を高めることにより,モデルのプライバシ保護を改善する。
  論文  参考訳（メタデータ） (2026-03-13T03:03:20Z)
• GraphTheft: Quantifying Privacy Risks in Graph Prompt Learning [1.2255617580795168]
  Graph Prompt Learning(GPL)は、グラフ表現学習における革新的なアプローチであり、基礎となる事前学習モデルを変更することなく、プロンプトを微調整することでタスク固有の適応を可能にする。 人気の高まりにもかかわらず、PLに固有のプライバシーリスクは未解明のままである。 サービスとして機能する時のブラックボックス攻撃と、ノードの埋め込みとプロンプト表現がサードパーティにアクセス可能なシナリオだ。
  論文  参考訳（メタデータ） (2024-11-22T04:10:49Z)
• Privacy in Large Language Models: Attacks, Defenses and Future Directions [84.73301039987128]
  大規模言語モデル(LLM)を対象とした現在のプライバシ攻撃を分析し、敵の想定能力に応じて分類する。 本稿では、これらのプライバシー攻撃に対抗するために開発された防衛戦略について概説する。
  論文  参考訳（メタデータ） (2023-10-16T13:23:54Z)
• A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications [76.88662943995641]
  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を扱う能力のため、大きな注目を集めている。 この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。 この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
  論文  参考訳（メタデータ） (2023-08-31T00:31:08Z)
• Unveiling the Role of Message Passing in Dual-Privacy Preservation on GNNs [7.626349365968476]
  グラフニューラルネットワーク(GNN)は、ソーシャルネットワークなどのグラフ上で表現を学習するための強力なツールである。 プライバシを保存するGNNは、ノードやリンクのプライバシの保護に重点を置いて提案されている。 本稿では,ノードとリンクの両方を効果的に保護するプライバシー保護型GNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-25T17:46:43Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability [59.80140875337769]
  グラフニューラルネットワーク(GNN)は近年,急速な発展を遂げている。 GNNは個人情報をリークしたり、敵対的攻撃に弱いり、トレーニングデータから社会的バイアスを継承したり、拡大したりすることができる。 本稿では、プライバシー、堅牢性、公正性、説明可能性の計算面におけるGNNの包括的調査を行う。
  論文  参考訳（メタデータ） (2022-04-18T21:41:07Z)
• Node-Level Membership Inference Attacks Against Graph Neural Networks [29.442045622210532]
  新しい機械学習(ML)モデル、すなわちグラフニューラルネットワーク(GNN)が導入された。 これまでの研究では、機械学習モデルはプライバシー攻撃に弱いことが示されている。 本稿では,GNNに対するノードレベルメンバシップ推論攻撃の包括的解析を行う。
  論文  参考訳（メタデータ） (2021-02-10T13:51:54Z)

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。