論文の概要: When Concealed Links Cannot Be Recovered: A Structural Identifiability Bound and Evaluation Pitfalls in Offshore Leak Networks

• arxiv url: http://arxiv.org/abs/2609.26171v1
• Date: Mon, 10 Aug 2026 20:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.911283
• Title: When Concealed Links Cannot Be Recovered: A Structural Identifiability Bound and Evaluation Pitfalls in Offshore Leak Networks
• Title（参考訳）: コンセサイドリンクが回復できない場合:オフショアリークネットワークにおける構造的識別可能性境界とピットフォールの評価
• Abstract要約: パナマ・パラダイス・ペーパーのようなリークは、オフショア・エンティティの大規模なネットワークを公開する。 これらの構造は隠れるために構築できるのか? 我々は、答えがほとんどノーであり、そうでなければ、分析が間違ったことを計測していると論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leaks such as the Panama and Paradise Papers expose large networks of offshore entities, and they invite an obvious question for network learning. Can the relations these structures are built to hide---above all, who beneficially owns what---be recovered from the public part of the leak by link prediction? We argue that the answer is mostly no, and that the analyses which suggest otherwise are measuring the wrong thing. Our main result is a distribution-free identifiability bound. For any recovery rule that respects graph isomorphism, and that covers every topological link-prediction score together with every message-passing graph neural network, a concealed endpoint left isolated in the observed graph is interchangeable with its structural twins, so its hidden edge cannot be recovered above chance. Isolation is only the sharpest case. In general the ceiling on recovery is set by the size of a node's structural-indistinguishability class, for which the Weisfeiler--Leman colour class is a computable stand-in, and node degree is at best a loose proxy. On the full ICIJ Offshore Leaks graph (814K entities and 84K labelled beneficial-owner edges) a classifier-free, degree-controlled probe reproduces an exact $0.5$ floor for isolated owners, who make up $20.6\%$ of all owners, and a trained graph neural network lands on the same floor. Recovery climbs only as structural distinctiveness grows, and the floor reappears in every one of the five leaks. Along the way we document five evaluation traps. Each one makes a bound that cannot be beaten look beaten, and we give a short rule that avoids them. The practical upshot is to redirect effort from the hidden principal, which is close to unrecoverable, toward the machinery of concealment, and to spell out why fusing external data helps far less than one would hope.
• Abstract（参考訳）: パナマやパラダイス・ペーパーのようなリークは、オフショアのエンティティの大規模なネットワークを露出させ、ネットワーク学習に対する明らかな疑問を提起する。 これらの構造が隠蔽するために構築される関連性 - リンク予測によって漏洩の公的な部分から回復されたもの - を有益に所有するすべてのものの上に - を構築できるだろうか? 我々は、答えがほとんどノーであり、そうでなければ、分析が間違ったことを計測していると論じる。 我々の主な成果は、分布自由な識別可能性境界である。 グラフ同型を尊重し、すべてのトポロジカルリンク予測スコアをすべてのメッセージパスグラフニューラルネットワークと共にカバーするリカバリルールでは、観測グラフに残された隠れエンドポイントは、その構造的ツインと交換可能であるため、その隠れエッジは偶然に回復できない。 孤立は最も鋭いケースである。 一般に、回復の天井は、Weisfeiler-Lemanカラークラスが計算可能なスタンドインであり、ノード次数が最も緩いプロキシであるノードの構造的識別可能性クラスのサイズによって設定される。 ICIJ Offshore Leaks グラフ (814Kエンティティと84Kラベル付き有益所有者エッジ) では、分類器のない等級制御のプローブが、独立した所有者に対して正確に0.5ドルのフロアを再現する。 復元は構造的な特徴が増すにつれてのみ上昇し、床は5つの漏れのうち1つごとに再び現れる。 その過程で5つの評価トラップを文書化しています。 それぞれが打ち負かせない境界を作り、それらを避ける短いルールを与えます。 実際の課題は、隠されたプリンシパルから隠れる機械に近づき、外部データを融合させることが期待するよりもはるかに少ない理由を言い換えることである。

関連論文リスト

• When Graph-JEPA Learns the Wrong Thing: Diagnosing and Repairing Category-Conditional Collapse [3.0255780640228984]
  共同埋め込み予測アーキテクチャは線形探索と有効ランクによってほぼ普遍的に選択される。 本報告では,表現中に使用可能なインスタンス情報がゼロである場合に,両者が正常に読まれる事例を報告する。 Graph-JEPAは、サブグラフの残りの側面から1つのマスクされたアスペクトを予測し、線形プローブ精度0.871と有効ランク18-47を達成する。 再現性監査とターゲットゲートを備えたハーネスをリリースする。
  論文  参考訳（メタデータ） (2026-08-20T19:22:49Z)
• Graph Neural Networks Applications Across Domains: All Insights You Need [0.0]
  グラフニューラルネットワークは、ニッチな表現学習技術から、データがリレーショナル構造を持つ場合のデフォルトモデルクラスに移行した。 この調査は、単一設計空間の周囲の分野を整理し、共有された第一原理からスペクトルと空間の定式化を導出する。 提案するアプリケーションドメインは、リコメンデーションとソーシャルネットワーク、ナレッジグラフと言語モデルの統合、薬物発見と分子特性学習、医療と神経科学、コンピュータビジョン、交通と都市コンピューティング、電力と再生可能エネルギーシステム、無線と第6世代ネットワーク、詐欺とサイバーセキュリティ、産業の予後学、材料科学、気候モデリングなど12種類である。
  論文  参考訳（メタデータ） (2026-06-25T16:00:11Z)
• Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
  グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。 本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。 本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。 防衛面では, MC-GPB (+) を提案する。
  論文  参考訳（メタデータ） (2026-06-06T09:29:27Z)
• Structured Information Loss in Network Embeddings [0.5672132510411464]
  我々は、学習した表現がグラフの生成モデルを完全に、部分的に、あるいは全くコードする条件を明示的に特徴付ける、ネットワーク埋め込みのための単純なアルゴリズムを解析する。 コミュニティ検出とリンク予測に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2025-09-15T19:41:24Z)
• 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)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Trap and Replace: Defending Backdoor Attacks by Trapping Them into an Easy-to-Replace Subnetwork [105.0735256031911]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 本研究は,バックドアの有害な影響を除去しやすくする,新たなバックドア防衛戦略を提案する。 我々は10種類のバックドア攻撃に対して本手法を評価した。
  論文  参考訳（メタデータ） (2022-10-12T17:24:01Z)
• Exploring Edge Disentanglement for Node Classification [34.81248024048974]
  実世界のグラフのエッジは、典型的には様々な要因によって形成され、多様な関係意味論を持つ。 本稿では,3つの前提条件を提案し,それに対応する3つのタスクを設計する。 DisGNNは、さまざまなニューラルネットワークに簡単に組み込むことができ、現実世界のデータセットで6ドル(約6,300円)で実験を行います。
  論文  参考訳（メタデータ） (2022-02-23T00:31:37Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)

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。