論文の概要: A Separation Principle for Adversarial Attacks and Defense of Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.38127v1
• Date: Wed, 28 Oct 2026 01:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.354671
• Title: A Separation Principle for Adversarial Attacks and Defense of Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークの逆攻撃と防御のための分離原理
• Abstract要約: グラフニューラルネットワーク(GNN)に対する敵対的攻撃は、勾配、学習ポリシー、メタラーニングによって駆動されるモデル中心の最適化問題として研究されている。 我々は,正規化隣接演算子のスペクトル特性から攻撃を導出する特徴攻撃のための構造駆動型フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 5.066858316106648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial attacks on graph neural networks (GNNs) have been studied as a model-centric optimization problem driven by gradients, learned policies, or meta-learning, with the graph treated as a passive substrate. This view overlooks a defining feature of GNNs: their predictions are produced by structured message passing along the graph, so their adversarial vulnerabilities are encoded as much in the geometry of the graph as in the learned weights. We develop a structure-driven framework for feature attacks in which the attack is derived from the spectral properties of the normalized adjacency operator. Its central result is a separation principle: under a natural relaxation of the attack objective, the optimal feature perturbation is rank one and factorizes into a graph-dependent component (degree-proportional spatial allocation, depending only on the graph) and a weight-dependent component (top singular vector of the composed weights, depending only on the weights). Node degree thus emerges as the fundamental graph quantity governing adversarial vulnerability to feature perturbations. The resulting attack, which we call SepAttack, requires no gradient computation, carries analytical guarantees, achieves competitive or superior performance against established baselines such as Nettack and IG-Attack with up to ${\sim}70\times$ speedup in the targeted setting, and transfers near-perfectly across architectures on continuous-feature graphs because its graph-dependent component is architecture-invariant by construction. We further derive a separation-principle adversarial training procedure (SepAT) directly from the closed-form worst-case attack and report robustness gains on binary-feature benchmarks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)に対する敵対的攻撃は、勾配、学習ポリシー、メタラーニングによって駆動されるモデル中心の最適化問題として研究され、グラフは受動的基質として扱われている。 これらの予測はグラフに沿って構造化されたメッセージパッシングによって生成されるので、その逆の脆弱性は学習重量と同様にグラフの幾何学的にエンコードされる。 我々は,正規化隣接演算子のスペクトル特性から攻撃を導出する特徴攻撃のための構造駆動型フレームワークを開発する。 攻撃対象の自然な緩和の下で、最適な特徴摂動はランク1にランクされ、グラフ依存の成分(グラフのみに依存する。)と重量依存の成分(重量のみに依存する合成重みの最高特異ベクトル)に分解される。 したがって、ノード次数は、特徴摂動に対する敵対的脆弱性を管理する基本的なグラフ量として現れる。 SepAttackと呼ばれる攻撃は、勾配計算を必要とせず、解析的な保証を持ち、NettackやIG-Attackのような既存のベースラインに対して最大${\sim}70\times$のスピードアップを達成し、グラフ依存のコンポーネントが構築によってアーキテクチャ不変であるため、連続的なグラフ上のアーキテクチャ間でほぼ完璧に転送する。 さらに、閉形式最悪のケースアタックから直接分離基本対逆訓練手順(SepAT)を導出し、バイナリ機能ベンチマークでロバスト性の向上を報告した。

関連論文リスト

• Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL [20.70305524296098]
  グラフニューラルネットワーク(GNN)は、様々なマルチメディアタスクにおける複雑なリレーショナル依存関係を表現する基盤として登場した。 本稿では,脆弱性を意識したグラフプロシージャ学習を通じて,敵の防御知識を橋渡しする,転送可能なグラフ浄化手法ProGAPを提案する。 ProGAPは1%-9%の改善を実現し、最大2.2倍の時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-29T05:08:45Z)
• 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)
• PEANUT: Perturbations by Eigenvector Alignment for Attacking Graph Neural Networks Under Topology-Driven Message Passing [7.3809340470076465]
  グラフニューラルネットワーク(GNN)の脆弱性に乗じて仮想ノードを注入する,勾配のない制限付きブラックボックス攻撃であるPEANUTを提案する。 PEANUTはインジェクションベースの攻撃であり、グラフ修正攻撃よりも現実的で現実的な攻撃であると考えられている。 3つのグラフタスクにわたる実世界のデータセットの実験は、その単純さにもかかわらず、我々の攻撃の有効性を実証している。
  論文  参考訳（メタデータ） (2026-03-27T07:40:10Z)
• SEA: Spectral Edge Attacks on Graph Neural Networks [1.066048003460524]
  本稿では,スペクトルロバスト性評価を利用して摂動を誘導する新たな攻撃群を提案する。 i)最もスペクトル的に堅牢なエッジを除去するSpade-guided deletion攻撃と,(ii)脆弱なスペクトル空間において最大不整合なノード間のエッジを挿入するSpade-guided addition攻撃である。
  論文  参考訳（メタデータ） (2025-11-30T01:40:15Z)
• 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)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)

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。