論文の概要: Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL
- arxiv url: http://arxiv.org/abs/2608.29054v1
- Date: Sat, 29 Aug 2026 05:08:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.826611
- Title: Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL
- Title（参考訳）: 橋の防御に関する知識を証明しよう - 脆弱性を意識したGPLによるトランスファー可能なグラフの精製
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.70305524296098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNNs) have emerged as a cornerstone for representing complex relational dependencies in diverse multimedia tasks, particularly in cross-platform user interest modeling and cross-modal semantic alignment. In the real world, a practical defense against graph adversarial perturbations is needed. However, we observe that the prevailing adversarial purification methods are essentially domain-restricted defenses, which leads to the following shortcomings: (1) single-domain data provides insufficient structural and semantic diversity for learning robust purification criteria; (2) training of domain-specific defense strategies from scratch consumes substantial computational cost. To address the above limitations, we propose a transferable graph purification scheme, named ProGAP, to bridge adversarial defense knowledge via vulnerability-aware graph prompt learning. Firstly, to capture universal adversarial patterns, a perturbation-capture edge detector is pretrained on data-rich graphs by jointly modeling topological and semantic information. Subsequently, to achieve more knowledge transfer w.r.t. robustness, vulnerability-aware prompts are designed that inject targeted purification guidance into biased nodes, during which the pretrained detector adapts to distribution shifts in downstream graphs without parameter-laborious updates. Experimental results demonstrate that compared with state-of-the-art baselines, our ProGAP achieves 1%-9% improvement, and reduces the time consumption by up to 2.2x. The code for ProGAP is available at https://github.com/Lieyoufffff/ProGAP.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、多種多様なマルチメディアタスク、特にクロスプラットフォームのユーザ関心モデリングとクロスモーダルなセマンティックアライメントにおいて、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。
現実の世界では、グラフの敵対的摂動に対する実践的な防御が必要である。
しかし,1) 単一ドメインのデータは,頑健な浄化基準の学習に十分な構造的・意味的な多様性を提供し,(2) スクラッチからドメイン固有の防衛戦略の訓練は,相当な計算コストを消費する。
上記の制限に対処するため,脆弱性認識型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スキームProGAPを提案する。
第一に、普遍的対向パターンを捉えるために、トポロジとセマンティック情報を共同でモデル化することにより、データリッチグラフ上で摂動捕捉エッジ検出器を事前訓練する。
その後、より深い知識伝達を実現するために、脆弱性認識プロンプトは、偏りのあるノードに目的の浄化誘導を注入するように設計され、事前訓練された検出器はパラメータに適合しない更新なしに下流グラフの分布シフトに適応する。
その結果, 最先端のベースラインと比較してProGAPは1%-9%の改善を実現し, 最大2.2倍の時間を短縮できることがわかった。
ProGAPのコードはhttps://github.com/Lieyoufffff/ProGAPで公開されている。
関連論文リスト
- Cognitive Graph Intelligence for Adaptive and Robust DDoS Attack Detection in Next Generation Networks [2.434167379974669]
本稿では,このタスクの認知検出エンジンとして機能するグラフベース生成適応ネットワーク(GraphGAN)を提案する。
GraphGANは、合成サンプルの対向生成を通じて不均衡に対処しながら、トラフィックフロー間の関係構造をキャプチャする。
生成器は、DDoS攻撃の分布を学習して、現実的なマイノリティサンプルを合成し、グラフ畳み込みネットワーク(GCN)ベースの識別器は、合成グラフデータとリアルを区別する。
論文 参考訳（メタデータ） (2026-08-18T04:18:31Z) - Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
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。
論文 参考訳（メタデータ） (2026-08-11T23:20:15Z) - 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) - Self-supervised Adversarial Purification for Graph Neural Networks [8.721619913104899]
敵攻撃に対するグラフニューラルネットワーク(GNN)の防御には、正確性と堅牢性のバランスが必要である。
本稿では,この制限を克服するための自己監督型対外浄化フレームワークを提案する。
従来の敵の浄化法とは対照的に,自己監督戦略で訓練された特殊浄化器としてGPR-GAEを提案する。
論文 参考訳（メタデータ） (2026-05-22T05:18:18Z) - PEANUT: Perturbations by Eigenvector Alignment for Attacking Graph Neural Networks Under Topology-Driven Message Passing [7.3809340470076465]
グラフニューラルネットワーク(GNN)の脆弱性に乗じて仮想ノードを注入する,勾配のない制限付きブラックボックス攻撃であるPEANUTを提案する。
PEANUTはインジェクションベースの攻撃であり、グラフ修正攻撃よりも現実的で現実的な攻撃であると考えられている。
3つのグラフタスクにわたる実世界のデータセットの実験は、その単純さにもかかわらず、我々の攻撃の有効性を実証している。
論文 参考訳（メタデータ） (2026-03-27T07:40:10Z) - Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。
本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。
最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
論文 参考訳（メタデータ） (2023-08-29T20:14:42Z) - EDoG: Adversarial Edge Detection For Graph Neural Networks [17.969573886307906]
グラフニューラルネットワーク(GNN)は、バイオインフォマティクス、薬物設計、ソーシャルネットワークといった様々なタスクに広く応用されている。
近年の研究では、GNNは、微妙な摂動を加えることでノードやサブグラフの分類予測を誤認することを目的とした敵攻撃に弱いことが示されている。
本稿では,グラフ生成に基づく攻撃戦略の知識を必要とせず,汎用対向エッジ検出パイプラインEDoGを提案する。
論文 参考訳（メタデータ） (2022-12-27T20:42:36Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T17:55:04Z) - 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。