抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
グラフニューラルネットワーク(GNN)は,グラフドメイン情報を処理するための深層学習ベース手法のクラスである。GNNは,複雑なグラフデータに対する表現を学習する優れた能力により,最近広く使用されたグラフ解析手法になっている。しかし,プライバシーの懸念と規制制約のため,集中GNNはデータに敏感なシナリオに適用するのが難しい。連合学習(FL)は,いくつかの関係者が共有グローバルモデルを協調的に訓練する必要があるとき,プライバシー保護設定のために開発された新興技術である。いくつかの研究作業はGNNを訓練するためにFLを適用したが,バックドア攻撃に対するロバスト性に関する研究はない。本論文では,集中型バックドア攻撃(CBA)と分散バックドア攻撃(DBA)の2種類のバックドア攻撃を,Feded GNNsにおいて2種類のバックドア攻撃を行うことによって,このギャップを埋める。著者らの実験は,DBA攻撃成功率が,ほとんど全ての評価ケースでCBAより高いことを示した。CBAに対して,すべての局所トリガーの攻撃成功率は,敵対者の訓練セットが大域的トリガに組み込まれたとしても,大域的トリガと類似している。さらに,Fedated GNNにおける2つのバックドア攻撃の性質を調べるために,異なる数のクライアント,トリガサイズ,被毒強度,およびトリガ密度に対する攻撃性能を評価した。さらに,1つの防御に対するDBAとCBAのロバスト性を調べた。両攻撃は調査した防御に対してロバストであり,カスタム防御を必要とする新しい脅威として,Fedated GNNにおけるバックドア攻撃を考慮する必要性を必要とすることを見出した。【JST・京大機械翻訳】