論文の概要: Contrastive Adversarial Training for Robust Graph Neural Networks under Label Poisoning

• arxiv url: http://arxiv.org/abs/2610.24685v1
• Date: Sat, 17 Oct 2026 13:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:59:27.568311
• Title: Contrastive Adversarial Training for Robust Graph Neural Networks under Label Poisoning
• Title（参考訳）: ラベル中毒下のロバストグラフニューラルネットの対向学習
• Abstract要約: グラフニューラルネットワーク(GNN)は、データモデリングに有効であるが、ラベル中毒に弱い。 我々は,グラフ上の頑健なノード分類に適した,新しい対向学習フレームワークであるCoLAT(Contrastive Label-flipping for Adversarial Training)を提案する。 CoLATは、様々な毒性強度の下で既存の防御を一貫して上回り、大きなグラフに効率的にスケーリングする。
• 参考スコア（独自算出の注目度）: 8.7045093817125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) are effective for modeling relational data but are vulnerable to label poisoning, where a small number of corrupted training labels can propagate errors across the graph via message passing. Despite this risk, defenses against label poisoning remain underexplored: existing methods are primarily designed for label noise and often rely on robust losses or heuristic data cleaning that fail to distinguish adversarial poisoning from naturally hard examples. In this paper, we propose CoLAT (Contrastive Label-flipping for Adversarial Training), a novel contrastive adversarial training framework tailored for robust node classification on graphs. The core of our approach is a structure-aware detection model that uses contrastive learning to identify label-structure inconsistencies. Unlike prior contrastive methods that focus on representation learning, CoLAT leverages contrastive embeddings to select high-risk nodes that guide adversarial label-flipping during training. This alternating optimization not only performs structure-aware adversarial training but also implicitly sanitizes some corrupted labels, improving robustness against diverse attacks from the literature. Extensive experiments on multiple benchmarks show that CoLAT consistently outperforms existing defenses under various poisoning intensities while scaling efficiently to large graphs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リレーショナルデータをモデル化するのに有効だが、ラベル中毒に弱い。 既存の方法は主にラベルノイズのために設計されており、しばしば強靭な損失やヒューリスティックなデータクリーニングに依存しており、敵の毒を自然に難しい例と区別することができない。 本稿では,グラフ上の頑健なノード分類に適した,新しい対向学習フレームワークであるCoLAT(Contrastive Label-flipping for Adversarial Training)を提案する。 提案手法のコアとなるのは,コントラスト学習を用いてラベル構造の不整合を識別する構造認識検出モデルである。 表現学習に重点を置く従来のコントラスト的手法とは異なり、CoLATはコントラスト的埋め込みを活用して、トレーニング中の逆ラベルフリップをガイドするハイリスクノードを選択する。 この交互最適化は、構造を意識した敵の訓練を行うだけでなく、いくつかの破損したラベルを暗黙的に衛生し、文学からの多様な攻撃に対する堅牢性を向上させる。 複数のベンチマークでの大規模な実験により、CoLATは様々な毒性強度の下で既存の防御を一貫して上回り、大きなグラフに効率よくスケールすることを示した。

関連論文リスト

• Adversarial Training for Defense Against Label Poisoning Attacks [53.893792844055106]
  ラベル中毒攻撃は機械学習モデルに重大なリスクをもたらす。 本稿では,これらの脅威に対処するために,サポートベクトルマシン(SVM)に基づく新たな対角的防御戦略を提案する。 提案手法は, 様々なモデルアーキテクチャに対応し, カーネルSVMを用いた予測勾配降下アルゴリズムを用いて, 対向学習を行う。
  論文  参考訳（メタデータ） (2025-02-24T13:03:19Z)
• Robust Subgraph Learning by Monitoring Early Training Representations [5.524804393257921]
  グラフニューラルネットワーク(GNN)は、グラフ学習やノード分類タスクにおける卓越したパフォーマンスに対して、大きな注目を集めている。 敵攻撃、特に感受性のあるノードによる攻撃に対する脆弱性は、意思決定において課題となる。 本稿では,SHERD(Subgraph Learning Hale through Early Training Representation Distances)を導入し,グラフ入力の性能と対角的堅牢性に対処する。
  論文  参考訳（メタデータ） (2024-03-14T22:25:37Z)
• Soften to Defend: Towards Adversarial Robustness via Self-Guided Label Refinement [5.865750284677784]
  敵対的訓練(AT)は、敵対的攻撃に対するディープニューラルネットワークの堅牢性を得る最も効果的な方法の1つである。 AT法は頑健なオーバーフィッティング、すなわちトレーニング曲線とテスト曲線の間の大きな一般化ギャップに悩まされている。 本稿では,AT のラベルリファインメント手法を提案する。この手法は,高信頼のハードラベルから,より正確かつ情報的なラベル分布を自己定義する。
  論文  参考訳（メタデータ） (2024-03-14T04:48:31Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)
• Unsupervised Graph Poisoning Attack via Contrastive Loss Back-propagation [18.671374133506838]
  本稿では,グラフのコントラスト学習にラベルを頼らない,教師なし勾配に基づく新たな逆攻撃を提案する。 我々の攻撃は教師なしベースライン攻撃よりも優れており、複数の下流タスクにおける教師なし攻撃と同等のパフォーマンスを持つ。
  論文  参考訳（メタデータ） (2022-01-20T03:32:21Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。