論文の概要: MUGEN: Generating Unlearnable Graph Examples for Multiple Learning Tasks

• arxiv url: http://arxiv.org/abs/2609.00696v1
• Date: Tue, 01 Sep 2026 04:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.297198
• Title: MUGEN: Generating Unlearnable Graph Examples for Multiple Learning Tasks
• Title（参考訳）: MUGEN:マルチラーニングタスクのための未学習グラフの例を生成する
• Authors: Ziyan Liu, Chengshuai Zhao, Huan Liu,
• Abstract要約: 我々はMUGENを導入し、すべての有効タスクを共同で保護する非学習可能なグラフ例を生成するための最初のフレームワークについて紹介する。 我々は,タスク予測とクラスワイズ分離性を活用して,GNNバックボーン間の非学習性と転送を強化し,タスクを有効にするタスクアライン・セパビリティ・オブジェクト(TASO)を考案する。
• 参考スコア（独自算出の注目度）: 15.351174519441436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph data across diverse domains can expose valuable relational information to unauthorized representation learning, creating a pressing need for protection against such misuse. Unlearnable examples offer a data-level defense by perturbing a training release so that models trained on it fail to generalize to clean data. Existing methods generate unlearnable graph examples for only a specified downstream task. Consequently, a release protected against one task may remain learnable for other plausible uses, including node classification, graph classification, and link prediction, which the data owner cannot anticipate. We introduce MUGEN, to our knowledge the first framework for generating unlearnable graph examples that jointly protect all enabled tasks. From one clean dataset, MUGEN produces a single feature-perturbed release that protects every enabled task through a shared GNN encoder and task-specific heads. We devise a Task-Aligned Separability Objective (TASO), which leverages task prediction and classwise separability to strengthen unlearnability and its transfer across GNN backbones and enabled tasks. We further introduce Type-Adaptive Perturbation (TAP), which tailors perturbation optimization to node-attribute type, with direct search over feasible hard flips that accept only loss-improving updates for discrete node attributes and customized gradient-based updates for continuous node features, thereby enabling strong unlearnability across both settings. Experiments across five benchmarks, four backends and three learning paradigms demonstrate that MUGEN generates transferable unlearnable graph examples across GNN backbones and all three tasks, and remains effective under adversarial training and data augmentation.
• Abstract（参考訳）: 多様なドメインにまたがるグラフデータは、無許可の表現学習に貴重な関係情報を公開し、そのような誤用に対する保護の必要性を強く要求する。 学習不可能な例は、トレーニングリリースを摂動させることで、データレベルの防御を提供するため、トレーニングされたモデルがデータのクリーン化に失敗する。 既存のメソッドは、特定の下流タスクのみに対して、学習不能なグラフ例を生成する。 その結果、あるタスクに対して保護されたリリースは、ノード分類、グラフ分類、およびデータ所有者が予測できないリンク予測を含む、他の妥当な用途で学習可能である。 我々はMUGENを導入し、すべての有効タスクを共同で保護する非学習可能なグラフ例を生成するための最初のフレームワークについて紹介する。 1つのクリーンデータセットからMUGENは、共有GNNエンコーダとタスク固有のヘッドを通じて、すべての有効タスクを保護する単一の機能拡張リリースを生成する。 我々は,タスク予測とクラスワイズ分離性を活用して,GNNバックボーン間の非学習性と転送を強化し,タスクを有効にするタスクアライン・セパビリティ・オブジェクト(TASO)を考案する。 さらにTAP(Type-Adaptive Perturbation)を導入し、ノード属性に対する損失改善更新のみを受け付け、連続ノード機能に対する勾配ベースの更新をカスタマイズすることで、ノード属性に対する摂動最適化をノード属性型に調整する。 5つのベンチマーク、4つのバックエンド、3つの学習パラダイムによる実験では、MUGENはGNNのバックボーンと3つのタスクにまたがるトランスファー可能な非学習可能なグラフの例を生成し、敵対的なトレーニングとデータ拡張の下では有効である。

関連論文リスト

• Graph Attention-based Adaptive Transfer Learning for Link Prediction [47.536705576580836]
  GAATNet(Graph Attention Adaptive Transfer Network)を提案する。 事前トレーニングと微調整の利点を組み合わせて、さまざまなスケールのデータセットにまたがるグローバルノードの埋め込み情報をキャプチャする。 7つの公開データセットに関する総合的な実験は、GAATNetがLPタスクで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-24T05:11:34Z)
• Generative and Contrastive Graph Representation Learning [4.519085371300043]
  グラフ上の自己教師付き学習(SSL)は、ノード分類、ノードクラスタリング、リンク予測といった下流タスクに使用できるノードとグラフ表現を生成する。 両手法の長所を統合するグラフSSLの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-17T01:02:22Z)
• GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
  GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。 予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。 これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
  論文  参考訳（メタデータ） (2025-02-26T15:57:51Z)
• Dual-level Mixup for Graph Few-shot Learning with Fewer Tasks [23.07584018576066]
  We propose a SiMple yet effectIve approach for graph few-shot Learning with fEwer task, named SMILE。 メタ学習において利用可能なノードとタスクを同時に強化するために、マルチレベルのミックスアップ戦略を導入し、タスク内とタスク間ミックスアップの両方を包含する。 経験的に言えば、SMILEは、ドメイン内設定とクロスドメイン設定で評価されたすべてのデータセットに対して、他の競合モデルよりも大きなマージンで、一貫して優れています。
  論文  参考訳（メタデータ） (2025-02-19T23:59:05Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。