より良く(最も):連合グラフニューラルネットワークにおけるバックドア攻撃について【JST・京大機械翻訳】

Xu Jing; Wang Rui; Koffas Stefanos; Liang Kaitai; Picek Stjepan

プレプリント

J-GLOBAL ID：202202205840284706 整理番号：22P0285807

より良く(最も):連合グラフニューラルネットワークにおけるバックドア攻撃について【JST・京大機械翻訳】

More is Better (Mostly): On the Backdoor Attacks in Federated Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月07日プレプリントサーバーでの情報更新日： 2023年04月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

データ保護 , 人工知能

, ,

前のページに戻る