論文の概要: Kernel-Complexity Edge Sanitization for Training-Free Defense against Structural Graph Attacks

• arxiv url: http://arxiv.org/abs/2609.09698v1
• Date: Wed, 09 Sep 2026 04:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.899446
• Title: Kernel-Complexity Edge Sanitization for Training-Free Defense against Structural Graph Attacks
• Title（参考訳）: 構造グラフ攻撃に対する無訓練防御のためのカーネル複雑エッジサニタイゼーション
• Abstract要約: グラフニューラルネットワーク(GNN)は様々なアプリケーションで顕著な成功を収めているが、敵の摂動構造攻撃に対して非常に脆弱である。 既存の防衛は厳格な理論的な根拠を欠いていることが多く、攻撃固有のカーネルに依存している。 我々は,構造攻撃に対する防御のためのトレーニングフリーでモデルに依存しないフレームワークであるKCES(Kernel-Complexity Edge Sanitization)を提案する。
• 参考スコア（独自算出の注目度）: 35.52484692340263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved remarkable success across diverse applications, yet they remain highly vulnerable to adversarial attacks that maliciously perturb graph structure. Existing defenses often lack rigorous theoretical grounding, rely on attack-specific heuristics, or require costly retraining procedures such as adversarial training. To address these limitations, we propose Kernel-Complexity Edge Sanitization (KCES), a training-free and model-agnostic framework for defending against structural attacks. KCES is built upon Graph Kernel Complexity (GKC), a principled metric derived from the graph Gram matrix that appears in a generalization upper bound on the GNN test error. From this bound, we define an edge-specific KC score that quantifies each edge's structural influence via its induced change in GKC. KCES then identifies and prunes high-KC edges, which are empirically enriched with adversarial perturbations under structural attacks, to mitigate their harmful impact. Computationally efficient and scalable, KCES operates as a lightweight preprocessing step without retraining and can be seamlessly integrated with existing defenses. Extensive experiments demonstrate that KCES consistently outperforms representative robust baselines across diverse attack settings and scales effectively to large graphs. Supported by theoretical analysis and extensive empirical validation, KCES provides a principled and efficient framework for securing GNNs. Our code is available at https://github.com/karpning/KCScore.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々なアプリケーションで顕著な成功を収めていますが、悪意のあるグラフ構造を乱す敵の攻撃に対して、非常に脆弱なままです。 既存の防衛は厳格な理論的な根拠を欠くことが多く、攻撃特有のヒューリスティックに依存したり、敵の訓練のような高価な訓練手順を必要とする。 これらの制限に対処するため、構造攻撃に対する防御のためのトレーニングフリーでモデルに依存しないフレームワークであるKCES(Kernel-Complexity Edge Sanitization)を提案する。 KCESはグラフ・ケルネル複雑度(GKC)の上に構築されており、グラフ・グラマー行列から導かれる原理的計量であり、GNNテスト誤差の一般化上界に現れる。 この境界から、GKCの誘導的な変化を通じて各エッジの構造的影響を定量化するエッジ固有KCスコアを定義する。 次に、KCESは、その有害な影響を軽減するために、構造的攻撃の下で敵の摂動を経験的に豊かにする高KCエッジを特定し、引き起こす。 計算的に効率的でスケーラブルなKCESは、再トレーニングなしで軽量な前処理ステップとして動作し、既存のディフェンスとシームレスに統合できる。 大規模な実験により、KCESはさまざまなアタック設定にまたがって頑健なベースラインを一貫して上回り、大きなグラフに効果的にスケールすることを示した。 理論分析と広範な実証検証によって支援され、KCESはGNNを保護するための原則付きかつ効率的なフレームワークを提供する。 私たちのコードはhttps://github.com/karpning/KCScoreで利用可能です。

関連論文リスト

• 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)
• Leaking Circuit Secrets: Gradient Leakage Attacks on Graph Neural Networks [6.1625231866179595]
  グラフニューラルネットワーク(GNN)におけるグラデーションリーク攻撃(GLAs)の包括的評価について述べる。 GLAは、ゲートタイプやハードウェアトロイの木馬特有の特性などの機密情報を公開することができる。 我々は、微分プライバシー、勾配クリッピング、セキュアアグリゲーション、量子化によるモデル圧縮、敵対的トレーニングなど、いくつかのSOTA防御技術を評価する。
  論文  参考訳（メタデータ） (2026-06-24T08:59:28Z)
• SEA: Spectral Edge Attacks on Graph Neural Networks [1.066048003460524]
  本稿では,スペクトルロバスト性評価を利用して摂動を誘導する新たな攻撃群を提案する。 i)最もスペクトル的に堅牢なエッジを除去するSpade-guided deletion攻撃と,(ii)脆弱なスペクトル空間において最大不整合なノード間のエッジを挿入するSpade-guided addition攻撃である。
  論文  参考訳（メタデータ） (2025-11-30T01:40:15Z)
• KCES: Training-Free Defense for Robust Graph Neural Networks via Kernel Complexity [24.925490936301184]
  グラフニューラルネットワーク(GNN)は、小さくて知覚できない摂動や敵の攻撃に対して非常に脆弱である。 本稿では,KCES(Kernel Complexity-Based Edge Sanitization)を提案する。 KCESは一貫してGNNの堅牢性を高め、最先端のベースラインを上回り、既存の防御効果を増幅する。
  論文  参考訳（メタデータ） (2025-06-13T09:33:41Z)
• Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
  近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。 ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
  論文  参考訳（メタデータ） (2024-12-11T17:17:02Z)
• 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)
• Self-Guided Robust Graph Structure Refinement [37.235898707554284]
  本稿では,GNNを敵攻撃から守るための自己誘導グラフ構造改善(GSR)フレームワークを提案する。 本稿では,非標的攻撃,標的攻撃,機能攻撃,eコマース詐欺,ノイズの多いノードラベルなど,様々なシナリオにおけるSG-GSRの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-19T05:00:07Z)
• 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)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Understanding Structural Vulnerability in Graph Convolutional Networks [27.602802961213236]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造に対する敵攻撃に対して脆弱である。 構造逆例はGCNの非ロバストアグリゲーションスキームに起因していると考えられる。 その結果,GCN の構造的攻撃に対するロバスト性は著しく向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-08-13T15:07:44Z)

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。