Fugu-MT 論文翻訳(概要): Empirical Auditing of Edge-Private Graph Generators

論文の概要: Empirical Auditing of Edge-Private Graph Generators

arxiv url: http://arxiv.org/abs/2609.25155v1
Date: Mon, 21 Sep 2026 09:36:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.047652
Title: Empirical Auditing of Edge-Private Graph Generators
Title（参考訳）: エッジ生産型グラフジェネレータの実証監査
Abstract要約: エッジ隣りの入力からの出力が識別可能であるかどうかを調べることで、プライバシー漏洩を実証的に監査する。本フレームワークは, ターゲットエッジを囲む幾何学的手法を用いて, ダイレクトエッジ, ローカル構造, およびGNNベースの攻撃を比較する。
参考スコア（独自算出の注目度）: 14.255690488582609
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We empirically audit privacy leakage by testing whether outputs from edge-neighbouring inputs remain distinguishable, using statistically valid lower bounds on the privacy loss witnessed by our attacks. Our framework compares direct-edge, local-structural, and GNN-based attacks through the geometry surrounding a target edge. Experiments across two generators and two networks show that privacy leakage is both mechanism- and network-dependent, with learned representations revealing information not captured by conventional local statistics.
Abstract（参考訳）: 我々は、我々の攻撃で目撃されたプライバシー損失の統計的に妥当な下限を用いて、エッジ隣り合う入力からの出力が識別可能であるかどうかを検証することによって、プライバシー漏洩を実証的に監査する。本フレームワークは, ターゲットエッジを囲む幾何学的手法を用いて, ダイレクトエッジ, ローカル構造, およびGNNベースの攻撃を比較する。 2つのジェネレータと2つのネットワークでの実験では、プライバシリークはメカニズムとネットワークに依存しており、学習された表現は従来のローカル統計で捉えられていない情報を明らかにする。

関連論文リスト

Privacy-Preserving Robustness Verification for Neural Networks [8.136747065885006]
プライバシ保護ニューラルネットワーク検証のための最初のフレームワークであるSecureCROWNを紹介する。我々のフレームワークは、モデル所有者とデータ所有者が、認証された堅牢性境界を共同で計算することを可能にする。 SecureCROWNは検証結果と厳密に一致し, 異なるモデルサイズで0.1-200sで完了した。
論文参考訳（メタデータ） (2026-07-06T15:59:17Z)
On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
論文参考訳（メタデータ） (2025-09-03T14:18:22Z)
GRAND: Graph Release with Assured Node Differential Privacy [3.7346004746366384]
我々は,ノードレベルの差分プライバシーと構造的特性の確保を確保しつつ,ネットワーク全体を解放する最初のネットワークリリース機構であるGRANDを提案する。このアプローチの有効性は、合成データセットと実世界のデータセットの両方に関する広範な実験を通じて評価される。
論文参考訳（メタデータ） (2025-07-01T03:39:08Z)
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)
Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文参考訳（メタデータ） (2023-11-02T12:47:49Z)
Numerically assisted determination of local models in network scenarios [55.2480439325792]
統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
論文参考訳（メタデータ） (2023-03-17T13:24:04Z)
Uncertainty-Autoencoder-Based Privacy and Utility Preserving Data Type Conscious Transformation [3.7315964084413173]
プライバシ・ユーティリティのトレードオフ問題に対処する逆学習フレームワークを2つの条件で提案する。データタイプの無知な条件下では、プライバシメカニズムは、正確に1つのクラスを表す、カテゴリ機能の1ホットエンコーディングを提供する。データ型認識条件下では、分類変数は各クラスごとに1つのスコアの集合で表される。
論文参考訳（メタデータ） (2022-05-04T08:40:15Z)
Robustness Threats of Differential Privacy [70.818129585404]
我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
論文参考訳（メタデータ） (2020-12-14T18:59:24Z)
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)

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。