Buchumschlag

Safety in Graph Machine Learning: Threats and Safeguards

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Song, Dong, Yushun, Zhang, Binchi, Chen, Zihan, Fu, Xingbo, He, Yinhan, Shen, Cong, Zhang, Chuxu, Chawla, Nitesh V., Li, Jundong
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

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

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

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

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

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

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)

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

Adversarial Attacks on Fairness of Graph Neural Networks
von: Zhang, Binchi, et al.
Veröffentlicht: (2023)

Graph Prompting for Graph Learning Models: Recent Advances and Future Directions
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

Instance-Aware Graph Prompt Learning
von: Li, Jiazheng, et al.
Veröffentlicht: (2024)

Beyond Message Passing: Neural Graph Pattern Machine
von: Wang, Zehong, et al.
Veröffentlicht: (2025)

Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees
von: Wang, Zehong, et al.
Veröffentlicht: (2024)

GFT: Graph Foundation Model with Transferable Tree Vocabulary
von: Wang, Zehong, et al.
Veröffentlicht: (2024)

FastGAS: Fast Graph-based Annotation Selection for In-Context Learning
von: Chen, Zihan, et al.
Veröffentlicht: (2024)

UGMAE: A Unified Framework for Graph Masked Autoencoders
von: Tian, Yijun, et al.
Veröffentlicht: (2024)

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

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

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

Personalized Federated Learning with Attention-based Client Selection
von: Chen, Zihan, et al.
Veröffentlicht: (2023)

Generative Risk Minimization for Out-of-Distribution Generalization on Graphs
von: Wang, Song, et al.
Veröffentlicht: (2025)

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

From Cross-Task Examples to In-Task Prompts: A Graph-Based Pseudo-Labeling Framework for In-context Learning
von: Chen, Zihan, et al.
Veröffentlicht: (2025)

Universal Link Predictor By In-Context Learning on Graphs
von: Dong, Kaiwen, et al.
Veröffentlicht: (2024)

You do not have to train Graph Neural Networks at all on text-attributed graphs
von: Dong, Kaiwen, et al.
Veröffentlicht: (2024)

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

Graph Foundation Models: A Comprehensive Survey
von: Wang, Zehong, et al.
Veröffentlicht: (2025)

Can we Soft Prompt LLMs for Graph Learning Tasks?
von: Liu, Zheyuan, 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)

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling
von: Venkatesh, Kavana, et al.
Veröffentlicht: (2026)

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

The Hidden Influence of Latent Feature Magnitude When Learning with Imbalanced Data
von: Dablain, Damien A., et al.
Veröffentlicht: (2024)

On the Safety of Graph Representation Learning
von: Guo, Xiaoguang, et al.
Veröffentlicht: (2026)

Energy-Based Models for Predicting Mutational Effects on Proteins
von: Soga, Patrick, et al.
Veröffentlicht: (2025)

CORE: Data Augmentation for Link Prediction via Information Bottleneck
von: Dong, Kaiwen, et al.
Veröffentlicht: (2024)

Where LLM Annotators Fail: Label-Free Learning on Graphs with LLMs
von: Thapaliya, Safal, et al.
Veröffentlicht: (2026)

Generative Graph Pattern Machine
von: Wang, Zehong, et al.
Veröffentlicht: (2025)