論文の概要: Trust-But-Verify: Poisoning-Resilient Locally Private Graph Learning Protocols

• arxiv url: http://arxiv.org/abs/2609.07063v1
• Date: Mon, 07 Sep 2026 05:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.366918
• Title: Trust-But-Verify: Poisoning-Resilient Locally Private Graph Learning Protocols
• Title（参考訳）: Trust-But-Verify:Poisoning-Resilient Locally Private Graph Learning Protocols
• Abstract要約: 本稿では,信頼と検証のパラダイムに基づく有毒なローカルなグラフ学習プロトコルであるVERITASを提案する。 我々は、VERITASがデータ中毒攻撃を効果的に防ぎ、厳格なプライバシー保証の下で下流グラフ学習ユーティリティを著しく改善していることを示す。
• 参考スコア（独自算出の注目度）: 24.683527596262905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Built upon local differential privacy (LDP), locally private graph learning protocols have emerged as an important paradigm for decentralized graph learning, balancing privacy protection and learning utility. Under such protocols, each user locally perturbs their node features and adjacency information before transmission, ensuring formal privacy guarantees without original data leaving the device. However, the inherently open participation nature renders these protocols critically vulnerable to data poisoning attacks, where adversaries inject carefully crafted malicious nodes to corrupt neighborhood aggregation and degrade downstream utility. Despite the severity of this threat, effective defenses in this setting remain largely unexplored. In this paper, we propose VERITAS, a poisoning-resilient locally private graph learning protocol built on a trust-but-verify paradigm. By introducing a verification list encoding graded peer trust levels, VERITAS jointly privatizes node features and graph structure on the user side, while exploiting bilateral attestation asymmetry on the server side to identify and prune malicious nodes. Concretely, VERITAS comprises four synergistic stages: (1) local data perturbation, (2) attestation-driven malicious node pruning, (3) utility restoration via dual denoising, and (4) robust private graph learning. Extensive experiments on four real-world benchmark datasets across multiple LDP mechanisms and GNN architectures demonstrate that VERITAS effectively defends against data poisoning attacks and significantly improves downstream graph learning utility under rigorous privacy guarantees.
• Abstract（参考訳）: ローカルディファレンシャルプライバシ(LDP)に基づいて構築されたローカルプライベートグラフ学習プロトコルは、分散グラフ学習、プライバシ保護と学習ユーティリティのバランスをとる上で重要なパラダイムとして登場した。 このようなプロトコルの下で、各ユーザは送信前にノードの特徴と隣接情報をローカルにゆがめ、デバイスを離れることなく正式なプライバシ保証を保証します。 しかし、本質的にオープンな参加性は、これらのプロトコルをデータ中毒攻撃に致命的な脆弱性を与え、敵は慎重に悪質なノードを注入し、近隣の集約を破損させ、下流のユーティリティを低下させる。 この脅威の深刻さにも拘わらず、この状況における効果的な防御は明らかにされていない。 本稿では,信頼と検証のパラダイムに基づいて構築された有毒なローカルなプライベートグラフ学習プロトコルであるVERITASを提案する。 格付けされたピア信頼レベルを符号化する検証リストを導入することにより、VERITASは、サーバ側で双方向の認証非対称性を利用して、悪意のあるノードを識別およびプルーすると共に、ユーザ側のノード特徴とグラフ構造を共同で民営化する。 具体的には, 1) 局所的データ摂動, (2) 証明駆動による悪質ノードのプルーニング, (3) 二重復調によるユーティリティ復元, (4) 頑健なグラフ学習の4つの相乗的段階から構成される。 複数のLDPメカニズムとGNNアーキテクチャにわたる4つの実世界のベンチマークデータセットに対する大規模な実験は、VERITASがデータ中毒攻撃を効果的に防御し、厳格なプライバシー保証の下で下流グラフ学習ユーティリティを著しく改善することを示した。

関連論文リスト

• Towards Personalized Differentially Private Learning for Decentralized Local Graphs [62.244412935520025]
  ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 既存の LDP ベースのグラフ学習手法は、通常、ユーザ間で均一なプライバシ要件を仮定する。 PPGNNは分散グラフデータのためのパーソナライズド・ディペンデント・プライベートなフレームワークである。
  論文  参考訳（メタデータ） (2026-07-06T08:07:48Z)
• Privacy-Preserving Federated Learning Scheme with Mitigating Model Poisoning Attacks: Vulnerabilities and Countermeasures [10.862166653863571]
  本稿では,プライバシー保護とビザンチン・ロバスト・フェデレーション・ラーニング・スキームの強化を提案する。 本手法は, モデル中毒に対するプライバシー保護とレジリエンスを保証する。
  論文  参考訳（メタデータ） (2025-06-30T08:39:01Z)
• Devil's Hand: Data Poisoning Attacks to Locally Private Graph Learning Protocols [46.94619400437805]
  この研究は、ローカルなプライベートグラフ学習プロトコルをターゲットにした、最初のデータ中毒攻撃を導入している。 攻撃者は偽のユーザーをプロトコルに注入し、偽のユーザーを操作して本物のユーザーとリンクを確立する。 攻撃の有効性は理論的にも経験的にも示される。
  論文  参考訳（メタデータ） (2025-06-11T14:46:11Z)
• Efficient and Privacy-Preserved Link Prediction via Condensed Graphs [49.898152180805454]
  本稿では,HyDROtextsuperscript+について紹介する。 提案手法は,従来のネットワーク上でのリンク予測と比較して,約20*高速なトレーニングを実現し,ストレージ要求を452*削減する。
  論文  参考訳（メタデータ） (2025-03-15T14:54:04Z)
• Unveiling Privacy Vulnerabilities: Investigating the Role of Structure in Graph Data [17.11821761700748]
  本研究では,ネットワーク構造から生じるプライバシーリスクに対する理解と保護を推し進める。 我々は,ネットワーク構造によるプライバシー漏洩の可能性を評価するための重要なツールとして機能する,新しいグラフプライベート属性推論攻撃を開発した。 攻撃モデルはユーザのプライバシに重大な脅威を与え,グラフデータ公開手法は最適なプライバシとユーティリティのトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-07-26T07:40:54Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• 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)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• 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)

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。