Fugu-MT 論文翻訳(概要): Certifying Graph Neural Networks Against Label and Structure Poisoning

論文の概要: Certifying Graph Neural Networks Against Label and Structure Poisoning

arxiv url: http://arxiv.org/abs/2611.03350v1
Date: Mon, 02 Nov 2026 16:03:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 05:02:11.681215
Title: Certifying Graph Neural Networks Against Label and Structure Poisoning
Title（参考訳）: ラベルと構造汚染に対するグラフニューラルネットワークの認証
Abstract要約: 我々は、Deep Self-Training Graph Partition Aggregation (ST-GPA)と呼ばれる、新しい半教師付き学習フレームワークを提案する。提案手法はアーキテクチャに依存しず,多数のパーティションにスケールし,ラベルや構造汚染に対する堅牢性を保証する。以上の結果から, グラフ構造化データから, 粗悪な条件下での毒殺を確実に学習するための有望な方向性が確立された。
参考スコア（独自算出の注目度）: 48.775193765994935
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robust machine learning for graph-structured data has made significant progress against test-time attacks, yet certified robustness to poisoning - where adversaries manipulate the training data - remains largely underexplored. For image data, state-of-the-art poisoning certificates rely on partitioning-and-aggregation schemes. However, we show that these methods fail when applied in the graph domain due to the inherent label and structure sparsity found in common graph datasets, making effective graph-partitioning difficult. To address this challenge, we propose a novel semi-supervised learning framework called deep Self-Training Graph Partition Aggregation (ST-GPA), which enriches each graph partition with informative pseudo-labels and synthetic edges, enabling effective certification against node-label and graph-structure poisoning under sparse conditions. Our method is architecture-agnostic, scales to large numbers of partitions, and consistently and significantly improves robustness guarantees against both label and structure poisoning across multiple benchmarks, while maintaining strong clean accuracy. Overall, our results establish a promising direction for certifiably robust learning on graph-structured data against poisoning under sparse conditions.
Abstract（参考訳）: グラフ構造化データに対するロバストな機械学習は、テスト時の攻撃に対して大きな進歩を遂げているが、敵がトレーニングデータを操作している毒殺に対する堅牢性は、ほとんど未調査のままである。画像データでは、最先端の中毒証明書はパーティショニング・アンド・アグリゲーション方式に依存している。しかし,これらの手法がグラフ領域に適用される際には,共通グラフデータセットに固有のラベルや構造的疎結合が原因でフェールすることを示し,グラフ分割を効果的に行うのが困難である。この課題に対処するために,我々は,グラフ分割を情報的擬似ラベルと合成エッジで強化し,スパース条件下でのノードラベルとグラフ構造中毒に対する効果的な認証を可能にする,深層自己学習グラフ分割集約(ST-GPA)という,新たな半教師付き学習フレームワークを提案する。提案手法はアーキテクチャに依存しず,多数のパーティションにスケールし,複数ベンチマークにわたるラベルと構造汚染に対するロバスト性を保証するとともに,高いクリーンな精度を維持しながら,一貫性と信頼性を向上する。以上の結果から, グラフ構造化データから, 粗悪な条件下での毒殺を確実に学習するための有望な方向性が確立された。

関連論文リスト

Contrastive Adversarial Training for Robust Graph Neural Networks under Label Poisoning [8.7045093817125]
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。
論文参考訳（メタデータ） (2026-10-17T13:38:19Z)
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)
Towards Robust Graph Structural Learning Beyond Homophily via Preserving Neighbor Similarity [26.990618075974485]
グラフに基づく学習システムの脆弱性について, ホモフィリディエンスに関係なく検討する。本稿では,グラフマイニングモジュールとして有用な新しいグラフ構造学習戦略を提案する。
論文参考訳（メタデータ） (2024-01-18T06:57:29Z)
GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。個人データの不正利用に関する懸念が高まっている。近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
論文参考訳（メタデータ） (2023-10-11T00:50:55Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文参考訳（メタデータ） (2022-11-08T12:41:58Z)
FocusedCleaner: Sanitizing Poisoned Graphs for Robust GNN-based Node Classification [30.153380160443348]
グラフニューラルネットワーク(GNN)は、データ中毒攻撃に対して脆弱である。攻撃者が注入した毒を効果的に識別するために,FocusedCleanerを有毒グラフ消毒剤として提示した。
論文参考訳（メタデータ） (2022-10-25T07:41:57Z)
Learn to Propagate Reliably on Noisy Affinity Graphs [69.97364913330989]
近年の研究では,ラベル伝搬によるラベル付きデータの利用により,ラベル付けコストを大幅に削減できることが示されている。ラベルを確実に伝播する方法、特に未知の外れ値を持つデータセットでは、依然として未解決の問題である。本稿では,大規模実世界のデータ上でラベルを確実に伝播させる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-17T07:55:59Z)

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。