論文の概要: ZeroGAR: Benchmarking the Adversarial Robustness of Zero-Shot Graph Models
- arxiv url: http://arxiv.org/abs/2609.33314v1
- Date: Sun, 27 Sep 2026 07:27:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 01:11:07.234882
- Title: ZeroGAR: Benchmarking the Adversarial Robustness of Zero-Shot Graph Models
- Title（参考訳）: ZeroGAR:ゼロショットグラフモデルの逆ロバスト性ベンチマーク
- Abstract要約: ゼロショットグラフモデル(ZGM)は、ソースグラフから伝達可能な知識を学習し、適応のない未確認対象グラフに直接適用する。
既存のグラフロバストネスベンチマークは、主に教師付き設定に重点を置いており、基本的には未探索のままである。
ZGMの対角的ロバスト性を評価するための最初の体系的ベンチマークであるZeroGARを提案する。
- 参考スコア（独自算出の注目度）: 27.534426519748468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot graph models (ZGMs), which learn transferable knowledge from source graphs and directly apply to unseen target graphs without any adaptation, have achieved promising performance and attracted considerable attention. Despite their proliferation, existing ZGMs are predominantly evaluated on clean graphs, while existing graph robustness benchmarks mainly focus on supervised settings, leaving a fundamental question largely unexplored: How robust are ZGMs when their unseen target graphs are exposed to adversarial manipulation? In this paper, we answer this question by proposing ZeroGAR, the first systematic benchmark for evaluating the adversarial robustness of ZGMs. ZeroGAR evaluates 13 representative ZGMs from 3 different paradigms on 8 graph datasets across 4 domains, covering both in-domain and cross-domain transfer under structural, textual, and node injection attacks with multiple perturbation budgets. It further investigates whether existing graph defenses remain effective in the zero-shot setting. Extensive experiments reveal that strong clean zero-shot performance does not guarantee adversarial robustness, with three key findings: (1) Vulnerability patterns are related to model prediction mechanisms: GNN-based methods are particularly vulnerable to structural and node injection attacks, whereas LLM-based methods are more vulnerable to textual attacks; (2) Stronger LLM backbones introduce a structure-text robustness trade-off; (3) Existing graph defense methods do not consistently improve zero-shot robustness and may compromise clean performance. We hope that ZeroGAR will facilitate rapid, equitable evaluation and inspire further innovative research in ZGM security.
- Abstract（参考訳）: ゼロショットグラフモデル(ZGM)は、ソースグラフから伝達可能な知識を学習し、適応せずに直接対象グラフに適用し、有望な性能を達成し、かなりの注目を集めている。
その増加にもかかわらず、既存のZGMは主にクリーングラフで評価されている。一方、既存のグラフ堅牢性ベンチマークは、主に教師付き設定に焦点を当てている。
本稿では,ZGMの対角ロバスト性を評価するための最初の体系的ベンチマークであるZeroGARを提案する。
ZeroGARは、4つのドメインにまたがる8つのグラフデータセットの3つのパラダイムから13の代表的なZGMを評価し、複数の摂動予算を持つ構造的、テキスト的、ノード注入攻撃下でのドメイン内およびクロスドメイン転送をカバーしている。
さらに、既存のグラフ防御がゼロショット設定で有効であるかどうかについても検討する。
1) 脆弱性パターンはモデル予測機構に関連する: GNNベースの手法は特に構造的およびノードインジェクション攻撃に弱いが、LSMベースの手法はテキスト攻撃に弱い; 2) 強いLCMバックボーンは構造的テキストロバスト性トレードオフを導入する; (3) 既存のグラフ防御手法はゼロショットロバスト性を常に改善せず、クリーンパフォーマンスを損なう可能性がある。
我々は、ZeroGARが迅速かつ公平な評価を促進し、ZGMのセキュリティに関するより革新的な研究を促すことを期待している。
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) - AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification [56.26852966986448]
AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。
予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。
5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
論文 参考訳（メタデータ） (2026-05-29T03:21:14Z) - Universal Graph Backdoor Defense: A Feature-based Homophily Perspective [11.895336568746243]
グラフニューラルネットワーク(GNN)はリレーショナル学習において大きな成功を収めている。
グラフバックドアアタック(GBA)に対する脆弱性は、ハイテイクなアプリケーションで広く採用される上で、大きな障壁となる。
論文 参考訳（メタデータ） (2026-05-16T05:15:36Z) - GAD in the Wild: Benchmarking Graph Anomaly Detection under Realistic Deployment Challenges [11.52245154027117]
グラフ異常検出(英: Graph Anomaly Detection、GAD)は、金融詐欺検出やソーシャルプラットフォームガバナンスにおいて重要な応用を持つグラフ機械学習において重要なタスクである。
既存のGADベンチマークは、比較的バランスの取れた異常比を持つ小規模でキュレートされたグラフに制限されることが多い。
本稿では,GADモデルを3つのデプロイ関連課題下で体系的に評価する多次元ベンチマークを提案する。
論文 参考訳（メタデータ） (2026-05-08T02:10:51Z) - On the Safety of Graph Representation Learning [41.41390553122175]
グラフ表現学習(GRL)は、トポロジのみのグラフ埋め込みからタスク固有の教師付きGNNへと進化し、最近では再利用可能な表現やグラフ基盤モデル(GFM)へと進化した。
GRLメソッドがグラフ信号、グラフコンテキスト、ラベルサポート、構造グループ、予測エビデンスに影響を与える場合の信頼性は、まだ不明である。
GRLの安全性評価ベンチマークであるGRL-Safetyを紹介する。
論文 参考訳（メタデータ） (2026-05-07T17:06:19Z) - Complementary Text-Guided Attention for Zero-Shot Adversarial Robustness [57.104158692005775]
ゼロショットロバストネス(TGA-ZSR)のためのテキストガイド型アテンションを提案する。
我々のゴールは、CLIPモデルの一般化を維持し、敵の堅牢性を高めることである。
この制限を克服するために、補完的テキストガイド注意(Complementary Text-Guided Attention, Comp-TGA)と呼ばれる新しいアプローチを提案する。
論文 参考訳（メタデータ） (2026-03-19T08:11:46Z) - Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses [1.066048003460524]
グラフニューラルネットワーク(GNN)は,グラフ構造化データ学習の主流パラダイムとして浮上している。
本研究では, グラフの有害成分を明確に識別し, 除去するために, 対向的ロバストネス評価を利用するプルーニングフレームワークを提案する。
頑健性スコアをガイダンスとして使用することにより,モデルの信頼性を低下させる可能性が最も高いエッジを選択的にプーンし,よりクリーンでレジリエントなグラフ表現が得られる。
論文 参考訳（メタデータ） (2025-11-29T20:15:54Z) - 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) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳（メタデータ） (2022-11-15T11:44:31Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。