論文の概要: Link Inference Attack on Privacy-Preserving Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2609.39362v1
- Date: Wed, 30 Sep 2026 09:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.511056
- Title: Link Inference Attack on Privacy-Preserving Knowledge Graphs
- Title（参考訳）: プライバシ保護知識グラフにおけるリンク推論攻撃
- Abstract要約: 関係が完全にあるいは部分的に隠されている場合でも、その存在は、その構造的痕跡を公開グラフに残し、それを高い精度で復元することができることを示す。
本稿では,公開グラフのトポロジ上で動作するリンク推論攻撃を提案し,それを2つのプライバシーシナリオの下で評価する。
- 参考スコア（独自算出の注目度）: 0.08908761001491951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge Graphs (KGs) are widely used to store and share structured information across sensitive domains such as healthcare, fi- nance, and social networks. A common privacy practice is to delete sen- sitive relations before publishing the graph, under the assumption that removing edges is sufficient to prevent their recovery. In this paper, we challenge this assumption and show that even when a relation is fully or partially hidden, its existence leaves structural traces in the public graph that can be exploited to recover it with high accuracy. To this end, we propose a link inference attack that operates on the topology of the public graph, and evaluate it under two privacy scenarios that differ in how the adversary exploits the knowledge available to him. In the first setting where the adversary exploits all topological information, the attack achieves near-perfect discrimination (AP = 0.949, ROC-AUC = 0.999), while in the more realistic one where the adversary makes use of some semantic information, it recovers up to 74% of hidden edges. Build- ing on these results, we further conduct a structural analysis to identify which topological properties of the graph drive the attack success, re- vealing that privacy risk is not uniform across entities and that certain structural patterns make specific relations significantly more vulnerable to inference than others.
- Abstract（参考訳）: 知識グラフ(KG)は、医療、ファイナンス、ソーシャルネットワークなどの機密ドメインにまたがる構造化情報の保存と共有に広く使用されている。
一般的なプライバシのプラクティスは、エッジを削除するだけで回復を阻止できるという前提の下で、グラフを公開する前にセンシティブな関係を削除することである。
本稿では、この仮定に挑戦し、関係が完全にあるいは部分的に隠されている場合でも、その存在は、それを高い精度で復元するために活用できる公開グラフに構造的痕跡を残していることを示す。
そこで本稿では,公開グラフのトポロジ上で動作するリンク推論攻撃を提案し,それを2つのプライバシシナリオで評価する。
敵が全てのトポロジカル情報を利用する最初の設定では、攻撃はほぼ完全な識別(AP = 0.949, ROC-AUC = 0.999)を達成し、敵がいくつかのセマンティック情報を利用するより現実的な設定では、隠れたエッジの最大74%を回復する。
これらの結果に基づいて、グラフのどのトポロジ特性が攻撃の成功を導くかを特定する構造解析を行い、プライバシリスクがエンティティ間で均一ではないこと、特定の構造パターンが推論に対して極めて脆弱であることを再検証する。
関連論文リスト
- 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) - Safeguarding Graph Neural Networks against Topology Inference Attacks [16.885180168745546]
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から学習するための強力なモデルとして登場した。
本稿では,GNNにおけるトポロジ的プライバシリスクに関する総合的研究を行い,グラフレベルの推論攻撃に対する脆弱性を明らかにする。
モデル精度を維持しながらトポロジのプライバシを保護するために設計された新しい防御フレームワークであるPrivate Graph Reconstruction (PGR)を紹介する。
論文 参考訳（メタデータ） (2025-09-05T18:17:57Z) - Privacy Risk Predictions Based on Fundamental Understanding of Personal Data and an Evolving Threat Landscape [0.7941906315308261]
本研究は、どのような個人データが暴露されるか、どの程度の頻度で暴露されるかを明らかにする。
グラフ理論とグラフニューラルネットワークを用いたプライバシーリスク予測フレームワークを開発した。
その結果、我々のアプローチは、あるアイデンティティ属性の開示は、おそらく別の属性の開示につながるのか?
論文 参考訳（メタデータ） (2025-08-06T15:30:07Z) - Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。
その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。
グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
論文 参考訳（メタデータ） (2025-04-24T22:49:28Z) - Signal Recovery from Random Dot-Product Graphs Under Local Differential Privacy [0.6906005491572401]
我々は、$varepsilon$-edgeローカル差分プライバシーの下でグラフから潜伏情報を復元する問題を考察する。
一般化されたランダムドット積グラフのクラスについて、標準的な局所微分プライバシー機構が潜在位置における特定の幾何学的歪みを誘導することを示す。
民営化グラフの統計的推測手順を適切に調整することにより、潜伏位置の一貫した回復が達成可能であることを示す。
論文 参考訳（メタデータ） (2025-04-24T06:02:02Z) - 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) - Visual Privacy Auditing with Diffusion Models [47.0700328585184]
拡散モデル (DM) に基づく再構成攻撃を導入し, 現実画像への逆アクセスを前提としている。
その結果,(1) 実世界の過去のデータが再建の成功に大きく影響していること,(2) 現在の再建境界は, 過去のデータによるリスクをうまくモデル化せず, DMは, プライバシー漏洩を可視化するための監査ツールとして機能することがわかった。
論文 参考訳（メタデータ） (2024-03-12T12:18:55Z) - From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。
DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。
本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
論文 参考訳（メタデータ） (2024-02-20T09:52:30Z) - On provable privacy vulnerabilities of graph representations [34.45433384694758]
グラフ表現学習(GRL)は複雑なネットワーク構造から洞察を抽出するために重要である。
また、これらの表現にプライバシー上の脆弱性があるため、セキュリティ上の懸念も高まる。
本稿では,エッジ再構成攻撃により,高感度なトポロジ情報を推定できるグラフニューラルモデルの構造的脆弱性について検討する。
論文 参考訳（メタデータ） (2024-02-06T14:26:22Z) - 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 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。