論文の概要: A Robust Watermark-based Fingerprint Framework for GNNs Ownership Verification
- arxiv url: http://arxiv.org/abs/2609.04772v1
- Date: Fri, 04 Sep 2026 06:06:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.928608
- Title: A Robust Watermark-based Fingerprint Framework for GNNs Ownership Verification
- Title（参考訳）: GNNのオーナシップ検証のためのロバストな透かしに基づくフィンガープリントフレームワーク
- Abstract要約: グラフニューラルネットワーク(GNN)のための堅牢なwatErMArkベースのfingeRprint frameworKを提案する。
本稿では,REMARKが保護モデルの有用性を維持しつつ,最先端のOV精度とロバスト性を実現することを示す。
- 参考スコア（独自算出の注目度）: 28.01239999608059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The high training cost of Graph Neural Networks (GNNs) has raised growing concerns regarding model ownership infringement, such as model stealing and unauthorized misuse. To verify model ownership and prevent significant economic losses, two groups of GNN Ownership Verification (OV) methods have been proposed: watermark-based methods and fingerprint-based methods. However, these methods typically face three limitations: (1) the performance degradation of protected models caused by out-of-distribution (OOD) watermark graphs with respect to the training set; (2) the unrealistic assumption that surrogate models have been trained on a watermark-containing training set; and (3) over-reliance on specific output levels for fingerprint extraction. In this paper, we propose a Robust watErMArk-based fingeRprint frameworK for GNNs, named REMARK. REMARK first generates carefully crafted in-distribution watermark graphs that maximize output differences between GNN models, thus mitigating OOD-induced performance degradation. REMARK then extracts robust fingerprints from these output differences to verify GNN ownership, thereby removing the assumptions that surrogate models must be trained on a watermark-containing dataset or expose specific output levels. Extensive experiments across widely used real-world datasets and GNN architectures demonstrate that REMARK achieves state-of-the-art OV accuracy and robustness while preserving the utility of protected models.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)の高トレーニングコストは、モデル盗難や不正使用など、モデルの所有権侵害に関する懸念が高まっている。
モデルオーナシップの検証と経済的損失の大幅な防止を目的として,透かし法と指紋法という2つのGNNオーナシップ検証法が提案されている。
しかし,これらの手法は,(1) トレーニングセットに対するアウト・オブ・ディストリビューション(OOD)ウォーターマークグラフによる保護モデルの性能低下,(2) シュロゲートモデルが透かしを含むトレーニングセットで訓練されたという非現実的な仮定,(3) 指紋抽出のための特定の出力レベルへの過度な依存,という3つの制約に直面している。
本稿では,ReMARK という名前の GNN のための Robust watErMArk ベースの fingeRprint frameworK を提案する。
REMARK はまず,GNN モデル間の出力差を最大化し,OOD による性能劣化を緩和する分散透かしグラフを慎重に生成する。
するとREMARKは、これらの出力差から堅牢な指紋を抽出し、GNNの所有権を検証する。
広く使われている実世界のデータセットとGNNアーキテクチャにわたる大規模な実験は、REMARKが保護されたモデルの実用性を維持しながら最先端のOV精度と堅牢性を達成することを示した。
関連論文リスト
- CITED: A Decision Boundary-Aware Signature for GNNs Towards Model Extraction Defense [17.36953954069976]
モデル抽出攻撃(MEA)と呼ばれる新たな脅威は、重大なリスクをもたらす。
本稿では,組込みとラベルの両レベルでのオーナシップ検証を実現するための,第1世代のオーナシップ検証フレームワークCITEDを提案する。
論文 参考訳（メタデータ） (2026-02-23T23:33:31Z) - Robust GNN Watermarking via Implicit Perception of Topological Invariants [0.0]
InvGNN-WMは、モデルのグラフ不変量に対する暗黙の認識とオーナシップを結びつける。
軽量ヘッドは、所有者がプライベートなキャリアセット上で正規化された代数接続を予測する。
トリガーや圧縮ベースのベースラインよりも高い透かし精度が得られる。
論文 参考訳（メタデータ） (2025-10-29T20:12:42Z) - WGLE:Backdoor-free and Multi-bit Black-box Watermarking for Graph Neural Networks [2.3612692427322313]
グラフニューラルネットワーク(GNN)のための新しいブラックボックス透かしパラダイムであるWGLEを提案する。
WGLEは、意図した情報をエンコードする透かしを埋め込む。
その結果、WGLEは100%のオーナシップ検証精度、平均忠実度0.85%、潜在的攻撃に匹敵し、組込みオーバーヘッドが低いことがわかった。
論文 参考訳（メタデータ） (2025-06-10T09:12:00Z) - GENIE: Watermarking Graph Neural Networks for Link Prediction [5.1323099412421636]
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において、貴重な知的特性となっている。
ウォーターマーキングはディープニューラルネットワークにとって有望なODフレームワークであるが、グラフデータの非ユークリッド性のため、既存の手法ではGNNに一般化できない。
本稿では、リンク予測(LP)のためのGNNを透かし出す最初のスキームであるGENIEを提案する。
提案手法はDWT(Dynamic Watermark Thresholding)を搭載し,既存の透かし方式の実践的問題に対処しながら高い検証確率(>99.99%)を確保する。
論文 参考訳（メタデータ） (2024-06-07T10:12:01Z) - 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) - Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。
提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。
本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T03:17:05Z) - ClearMark: Intuitive and Robust Model Watermarking via Transposed Model
Training [50.77001916246691]
本稿では,人間の直感的な評価を目的とした最初のDNN透かし手法であるClearMarkを紹介する。
ClearMarkは目に見える透かしを埋め込んで、厳格な値閾値なしで人間の意思決定を可能にする。
8,544ビットの透かし容量は、現存する最強の作品に匹敵する。
論文 参考訳（メタデータ） (2023-10-25T08:16:55Z) - Safe and Robust Watermark Injection with a Single OoD Image [90.71804273115585]
高性能なディープニューラルネットワークをトレーニングするには、大量のデータと計算リソースが必要である。
安全で堅牢なバックドア型透かし注入法を提案する。
我々は,透かし注入時のモデルパラメータのランダムな摂動を誘導し,一般的な透かし除去攻撃に対する防御を行う。
論文 参考訳（メタデータ） (2023-09-04T19:58:35Z) - Exploring Structure Consistency for Deep Model Watermarking [122.38456787761497]
Deep Neural Network(DNN)の知的財産権(IP)は、代理モデルアタックによって簡単に盗まれる。
本稿では,新しい構造整合モデルウォーターマーキングアルゴリズムを設計した新しい透かし手法,すなわち構造整合性'を提案する。
論文 参考訳（メタデータ） (2021-08-05T04:27:15Z) - Don't Forget to Sign the Gradients! [60.98885980669777]
GradSignsはディープニューラルネットワーク(DNN)のための新しい透かしフレームワーク
深部ニューラルネットワーク(DNN)のための新しい透かしフレームワークであるGradSignsを紹介します。
論文 参考訳（メタデータ） (2021-03-05T14:24:32Z) - Watermarking Graph Neural Networks by Random Graphs [38.70278014164124]
GNNモデルに透かしを施す動機となるGNNモデルの所有権を保護する必要がある。
提案手法では,ランダムなノード特徴ベクトルとラベルを持つエルドス・レニー(ER)ランダムグラフを,GNNを訓練するためのトリガとしてランダムに生成する。
モデル検証において、マークされたGNNをトリガーERグラフで活性化することにより、ウォーターマークを出力から再構成してオーナシップを検証することができる。
論文 参考訳（メタデータ） (2020-11-01T14:22:48Z)
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。