Buchumschlag

Adversarial Attacks on Fairness of Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Binchi, Dong, Yushun, Chen, Chen, Zhu, Yada, Luo, Minnan, Li, Jundong
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

Towards Certified Unlearning for Deep Neural Networks
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

Safety in Graph Machine Learning: Threats and Safeguards
von: Wang, Song, et al.
Veröffentlicht: (2024)

Federated Graph Learning with Structure Proxy Alignment
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

A Benchmark for Fairness-Aware Graph Learning
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

Verification of Machine Unlearning is Fragile
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

Beyond the Permutation Symmetry of Transformers: The Role of Rotation for Model Fusion
von: Zhang, Binchi, et al.
Veröffentlicht: (2025)

Adaptive Dual Prompting: Hierarchical Debiasing for Fairness-aware Graph Neural Networks
von: Yang, Yuhan, et al.
Veröffentlicht: (2025)

Rethinking Fair Graph Neural Networks from Re-balancing
von: Li, Zhixun, et al.
Veröffentlicht: (2024)

Tackling the Local Bias in Federated Graph Learning
von: Zhang, Binchi, et al.
Veröffentlicht: (2021)

ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data
von: Lei, Zhenyu, et al.
Veröffentlicht: (2024)

Are Your Models Still Fair? Fairness Attacks on Graph Neural Networks via Node Injections
von: Luo, Zihan, et al.
Veröffentlicht: (2024)

Virtual Nodes Can Help: Tackling Distribution Shifts in Federated Graph Learning
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

CEB: Compositional Evaluation Benchmark for Fairness in Large Language Models
von: Wang, Song, et al.
Veröffentlicht: (2024)

FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs
von: Chen, Zihan, et al.
Veröffentlicht: (2025)

Can Subgraph Explanations Be Weaponized to Steal Graph Neural Networks?
von: Nimase, Ojas, et al.
Veröffentlicht: (2026)

ATOM: A Framework of Detecting Query-Based Model Extraction Attacks for Graph Neural Networks
von: Cheng, Zhan, et al.
Veröffentlicht: (2025)

Reasoning of Large Language Models over Knowledge Graphs with Super-Relations
von: Wang, Song, et al.
Veröffentlicht: (2025)

ARIEL: Adversarial Graph Contrastive Learning
von: Feng, Shengyu, et al.
Veröffentlicht: (2022)

GAIM: Attacking Graph Neural Networks via Adversarial Influence Maximization
von: Yang, Xiaodong, et al.
Veröffentlicht: (2024)

Edge Prompt Tuning for Graph Neural Networks
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

Attack by Unlearning: Unlearning-Induced Adversarial Attacks on Graph Neural Networks
von: Zhang, Jiahao, et al.
Veröffentlicht: (2026)

Exploring and Improving Initialization for Deep Graph Neural Networks: A Signal Propagation Perspective
von: Wang, Senmiao, et al.
Veröffentlicht: (2025)

CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks
von: Shen, Bolin, et al.
Veröffentlicht: (2026)

SaGIF: Improving Individual Fairness in Graph Neural Networks via Similarity Encoding
von: Zhu, Yuchang, et al.
Veröffentlicht: (2025)

AHSG: Adversarial Attack on High-level Semantics in Graph Neural Networks
von: Yuan, Kai, et al.
Veröffentlicht: (2024)

Spectral Greedy Coresets for Graph Neural Networks
von: Ding, Mucong, et al.
Veröffentlicht: (2024)

Adversarial Graph Neural Network Benchmarks: Towards Practical and Fair Evaluation
von: Ngo, Tran Gia Bao, et al.
Veröffentlicht: (2026)

Adversarial Attacks on Locally Private Graph Neural Networks
von: Varun, Matta, et al.
Veröffentlicht: (2026)

One Fits All: Learning Fair Graph Neural Networks for Various Sensitive Attributes
von: Zhu, Yuchang, et al.
Veröffentlicht: (2024)

Explaining Graph Neural Networks with Large Language Models: A Counterfactual Perspective for Molecular Property Prediction
von: He, Yinhan, et al.
Veröffentlicht: (2024)

Towards Quantifying the Hessian Structure of Neural Networks
von: Dong, Zhaorui, et al.
Veröffentlicht: (2025)

MolEdit: Knowledge Editing for Multimodal Molecule Language Models
von: Lei, Zhenyu, et al.
Veröffentlicht: (2025)

Adversarial Attacks on Graph Neural Networks via Meta Learning
von: Zügner, Daniel, et al.
Veröffentlicht: (2019)

FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training
von: Liu, Jiaxin, et al.
Veröffentlicht: (2025)

Unifying Adversarial Perturbation for Graph Neural Networks
von: Yang, Jinluan, et al.
Veröffentlicht: (2025)