論文の概要: S-GAP: Stealthy Graph Attack Primitives for Graph Large Language Models
- arxiv url: http://arxiv.org/abs/2610.23465v1
- Date: Fri, 16 Oct 2026 13:45:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.942865
- Title: S-GAP: Stealthy Graph Attack Primitives for Graph Large Language Models
- Title（参考訳）: S-GAP: グラフ大言語モデルのための静的グラフ攻撃プリミティブ
- Abstract要約: グラフ大言語モデル(GraphLLMs)は、テキスト分散グラフ(TAGs)に対する強力な意味理解と推論を可能にする
それらの意味論的推論は、敵攻撃評価下のノードテキストやグラフ構造における摂動の脆弱性を示す可能性がある。
本稿では,コヒーレントな攻撃意図の下でテキストと構造的摂動を統一する原子意味表現であるグラフアタックプリミティブ(GAP)を提案する。
- 参考スコア（独自算出の注目度）: 19.35003327319329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Large Language Models (GraphLLMs) enable powerful semantic understanding and reasoning over Text-Attributed Graphs (TAGs), while their semantic reasoning may exhibit vulnerabilities to perturbations in node text and graph structure under adversarial attack evaluation. Existing attacks typically construct textual and structural perturbations in separate stages guided by distinct realization intents. However, this separation results in attack-intent fragmentation, causing semantic incoherence between the two perturbation types, thereby undermining attack stealth and making them easier for GraphLLMs to identify and disregard, ultimately weakening attack effectiveness. To avoid attack-intent fragmentation, we propose the Graph Attack Primitive (GAP), an atomic semantic representation that unifies textual and structural perturbations under a coherent attack intent. By carefully calibrating the semantic composition of a GAP, we can achieve strong attack effectiveness while maintaining sufficient attack stealth. Furthermore, we introduce S-GAP (Stealthy GAP), a multi-agent framework that iteratively refines the semantic content of the GAP. The framework unifies GAP planning and realization and continuously refines this process through surrogate evaluation and textual feedback. Extensive experiments across four datasets, three GraphLLMs, and two attack settings show that S-GAP improves ASR over the strongest baselines by 7.02% on average while producing more relationally plausible perturbations, exposing critical vulnerabilities in current GraphLLMs and motivating more robust defenses.
- Abstract（参考訳）: グラフ言語モデル(GraphLLMs)は、テキスト分散グラフ(TAGs)に対する強力な意味理解と推論を可能にし、その意味的推論は、敵攻撃評価の下でノードテキストやグラフ構造に摂動の脆弱性を示す可能性がある。
既存の攻撃は典型的には、異なる実現意図によって導かれる別々の段階におけるテキストおよび構造的摂動を構成する。
しかし、この分離は攻撃意図の断片化をもたらし、2つの摂動型間のセマンティックな不整合を引き起こし、これにより攻撃ステルスを損なうことになり、GraphLLMが識別および無視しやすくなり、最終的に攻撃効率が低下する。
攻撃意図の断片化を避けるため,コヒーレント攻撃意図の下でテキストと構造的摂動を統一する原子意味表現であるグラフ攻撃プリミティブ(GAP)を提案する。
GAPのセマンティックな構成を慎重に調整することにより、十分な攻撃ステルスを維持しながら強力な攻撃効果を得ることができる。
さらに,GAPのセマンティックコンテンツを反復的に洗練するマルチエージェントフレームワークであるS-GAP(Stealthy GAP)を紹介する。
このフレームワークは、GAPの計画と実現を統一し、評価とテキストフィードバックを代理することで、このプロセスを継続的に改善する。
4つのデータセット、3つのGraphLLM、2つの攻撃設定にわたる大規模な実験は、S-GAPがASRを平均で7.02%改善し、より関係性の高い摂動を発生させ、現在のGraphLLMに重大な脆弱性を露呈し、より堅牢な防御を動機付けていることを示している。
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) - 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) - Unveiling the Vulnerability of Graph-LLMs: An Interpretable Multi-Dimensional Adversarial Attack on TAGs [35.900360659024585]
Interpretable Multi-dimensional Graph Attack (IMDGA) は、グラフLLMのための新しい人間中心の敵攻撃フレームワークである。
IMDGAは既存の手法に比べて優れた解釈可能性、攻撃効果、ステルス性、堅牢性を示す。
この研究は、Graph-LLMの未調査の脆弱性のセマンティックディメンションを明らかにし、レジリエンスを改善するための貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-10-14T07:36:07Z) - 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) - Graph Defense Diffusion Model [26.41730982598055]
グラフニューラルネットワーク(GNN)は、敵攻撃に対して非常に脆弱であり、パフォーマンスを著しく低下させる可能性がある。
既存のグラフ浄化法は、攻撃されたグラフをフィルタリングすることでこの問題に対処しようとする。
グラフに対する敵攻撃を防御するための,より汎用的なアプローチを提案する。
論文 参考訳（メタデータ） (2025-01-20T16:18:40Z) - AHSG: Adversarial Attack on High-level Semantics in Graph Neural Networks [8.512355226572254]
グラフニューラルネットワークに対する敵攻撃は、グラフトポロジとノード属性を慎重に修正することで学習者のパフォーマンスを乱すことを目的としている。
既存の方法は、修正予算とグラフ特性の違いを制約することで攻撃ステルス性を達成する。
本稿では,グラフ構造攻撃モデルであるグラフニューラルネットワークのための高レベルセマンティックス(AHSG)に対する逆アタックを提案し,プライマリセマンティクスの保持を保証する。
論文 参考訳（メタデータ） (2024-12-10T12:35:37Z) - Relaxing Graph Transformers for Adversarial Attacks [49.450581960551276]
グラフトランスフォーマー(GT)は、いくつかのベンチマークでMessage-Passing GNNを上回り、その逆の堅牢性は明らかにされていない。
本研究では,(1)ランダムウォークPE,(2)ペアワイドショートパス,(3)スペクトル摂動に基づく3つの代表的なアーキテクチャを対象とすることで,これらの課題を克服する。
評価の結果, 破滅的に脆弱であり, 作業の重要性と適応攻撃の必要性を浮き彫りにする可能性が示唆された。
論文 参考訳（メタデータ） (2024-07-16T14:24:58Z) - 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) - 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。