論文の概要: When Is a Relation Worth Trusting? Manipulation Costs, Exposure, and the Trust Trap in Multi-Relational Graph Learning

• arxiv url: http://arxiv.org/abs/2610.37239v2
• Date: Thu, 29 Oct 2026 20:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.368861
• Title: When Is a Relation Worth Trusting? Manipulation Costs, Exposure, and the Trust Trap in Multi-Relational Graph Learning
• Title（参考訳）: 相互信頼はいつあるべきか : 多関係グラフ学習におけるマニピュレーションコスト, 露出, トラストトラップ
• Abstract要約: マルチリレーショナルグラフ検出器は、それぞれの関係をどれだけ信頼するかをクリーンデータから学習する。 そのようなコストを考慮に入れれば、関係を無視するよりも、いつ使う方が悪いのかを尋ねます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-relational graph detectors learn from clean data how much to trust each relation, but an adversary pays a different price to manipulate each relation and each action; taking such costs as given, we ask when using a relation is worse than ignoring it. Our first main result proves that degree gating strictly beats every selection or reweighting of a relation when part of the population is isolated on it and the attacker cannot afford to open the gate, and that this window is sharp; on real graphs, validated gating gains exactly on the relations that meet these conditions and nowhere else. Our second shows that a per-node exposure bound, which extends to message passing, tells a platform which relation to harden: exposure per unit cost, computed without any attack, picks the relation whose hardening raises the exact trap threshold most in 15 of 16 cases, against at most 7 for informativeness, cheapness, or an analysis with equal edit costs. Supporting tools give exact worst cases for linear relational models, certified brackets for R-GCN and tree ensembles, and a finite-sample guarantee for adversarial validation, under which clean-trained graph detectors fall below their graph-free counterparts in 58 of 90 settings on six graphs. A selection protocol built on these results is never significantly worse than ignoring the graph; with at most four relations it mostly abstains, as validation alone would, and its cost-aware proposals help when relations are many, so far shown on synthetic graphs. Without cost information, the safe choice is to abstain.
• Abstract（参考訳）: マルチリレーショナルグラフ検出器は、それぞれの関係をどれだけ信頼するかをクリーンなデータから学習するが、敵はそれぞれの関係と行動を操作するために異なる価格を支払う。 我々の最初の主要な結果は、ゲーティングの度合いが、集団の一部が孤立し攻撃者がゲートを開く余裕がない場合、関係の選択や重み付けの度合いを厳格に上回っていること、そしてこの窓が鋭いことを証明する。 第2に、ノード単位の露光境界がメッセージパッシングに拡張され、ハード化に関連するプラットフォームが示される: ユニット単位の露光コストは、攻撃なしに計算され、ハード化が16ケース中15ケースで正確なトラップ閾値を上昇させる関係を、情報性、安価性、あるいは同等の編集コストで分析する。 ツールのサポートは、線形リレーショナルモデル、R-GCNとツリーアンサンブルの認定ブラケット、および敵対的検証のための有限サンプル保証に対して正確な最悪のケースを与える。 これらの結果に基づいて構築された選択プロトコルは、グラフを無視するよりもはるかに悪いものではありません。 コスト情報がなければ、安全な選択は棄権だ。

関連論文リスト

• RACE: Relation-Level Counterfactual Explanations for Heterogeneous Graph Neural Networks [0.7906608953906891]
  本稿では, RACE (Relation-Aware Counterfactual Explanations) について述べる。 RACEは、より少ないエッジを削除しながら、最強のベースラインよりも最大で2.7ppの反実的な成功率を改善する。
  論文  参考訳（メタデータ） (2026-09-29T14:16:59Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Graph Relation Aware Continual Learning [3.908470250825618]
  連続グラフ学習(CGL)は、無限のグラフデータストリームから学習する問題を研究する。 我々は、縁の裏側にある潜伏関係を探索する関係発見モジュールからなるRAM-CGと呼ばれる関係認識適応モデルを設計する。 RAM-CGはCitationNet、OGBN-arxiv、TWITCHデータセットの最先端結果に対して2.2%、6.9%、および6.6%の精度向上を提供する。
  論文  参考訳（メタデータ） (2023-08-16T09:53:20Z)
• Pattern Mining for Anomaly Detection in Graphs: Application to Fraud in Public Procurement [0.0]
  公的調達では、不正リスクを推定するために赤旗と呼ばれるいくつかの指標が使用される。 これらの属性は実際には欠落しており、赤旗を禁止している。 本研究では,契約間の関係を活かし,欠落した属性を補うグラフベースの手法を採用する。
  論文  参考訳（メタデータ） (2023-06-19T11:18:55Z)
• Hyper-relationship Learning Network for Scene Graph Generation [95.6796681398668]
  本稿では,シーングラフ生成のためのハイパーリレーショナル学習ネットワークHLNを提案する。 我々は最も人気のあるSGGデータセット、すなわちVisual Genomeデータセット上でHLNを評価する。 例えば、提案されたHLNは、関係ごとのリコールを11.3%から13.1%に改善し、画像毎のリコールを19.8%から34.9%に維持する。
  論文  参考訳（メタデータ） (2022-02-15T09:26:16Z)
• A Thorough View of Exact Inference in Graphs from the Degree-4 Sum-of-Squares Hierarchy [37.34153902687548]
  各エッジの1つの破損した観測からノードの未知の接地型バイナリラベリングを正確に回収する問題に取り組む。 この問題に対して、和の平方階層と呼ばれるリラクゼーションの階層を適用します。 我々は、緩和問題の双対の解がジョンソングラフとクネーサーグラフのエッジウェイトを見つけることに関連していることを示した。
  論文  参考訳（メタデータ） (2021-02-16T08:36:19Z)
• Intervention Efficient Algorithms for Approximate Learning of Causal Graphs [22.401163479802094]
  我々は、潜時の存在下で観察された変数の集合間の因果関係を学習する問題を研究する。 我々の目標は、介入の最小限の費用で、すべての因果関係や祖先関係の方向性を$G$で回収することです。 我々のアルゴリズムは効率的な介入設計と低コストな分離集合系の設計を組み合わせる。
  論文  参考訳（メタデータ） (2020-12-27T17:08:46Z)
• Addressing Class Imbalance in Scene Graph Parsing by Learning to Contrast and Score [65.18522219013786]
  シーングラフ解析は、画像シーン内のオブジェクトを検出し、それらの関係を認識することを目的としている。 最近の手法は、いくつかの人気のあるベンチマークで高い平均スコアを達成しているが、稀な関係を検出するには失敗している。 本稿では,クラス不均衡問題を解決するために,分類とランキングの新たな統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T13:57:59Z)

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。