Buchumschlag

Graph Neural Network Explanations are Fragile

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiate, Pang, Meng, Dong, Yun, Jia, Jinyuan, Wang, Binghui
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deterministic Certification of Graph Neural Networks against Graph Poisoning Attacks with Arbitrary Perturbations
von: Li, Jiate, et al.
Veröffentlicht: (2025)

Provably Robust Explainable Graph Neural Networks against Graph Perturbation Attacks
von: Li, Jiate, et al.
Veröffentlicht: (2025)

Practicable Black-box Evasion Attacks on Link Prediction in Dynamic Graphs -- A Graph Sequential Embedding Method
von: Li, Jiate, et al.
Veröffentlicht: (2024)

AGNNCert: Defending Graph Neural Networks against Arbitrary Perturbations with Deterministic Certification
von: Li, Jiate, et al.
Veröffentlicht: (2025)

PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models
von: Zou, Wei, et al.
Veröffentlicht: (2024)

Stealing Training Graphs from Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Learning Robust and Privacy-Preserving Representations via Information Theory
von: Zhang, Binghui, et al.
Veröffentlicht: (2024)

Backdoor Attacks on Discrete Graph Diffusion Models
von: Wang, Jiawen, et al.
Veröffentlicht: (2025)

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

Inf2Guard: An Information-Theoretic Framework for Learning Privacy-Preserving Representations against Inference Attacks
von: Noorbakhsh, Sayedeh Leila, et al.
Veröffentlicht: (2024)

A Systematic Study of Model Extraction Attacks on Graph Foundation Models
von: Xu, Haoyan, et al.
Veröffentlicht: (2025)

Adaptive Backdoor Attacks with Reasonable Constraints on Graph Neural Networks
von: Dong, Xuewen, et al.
Veröffentlicht: (2025)

Distributed Backdoor Attacks on Federated Graph Learning and Certified Defenses
von: Yang, Yuxin, et al.
Veröffentlicht: (2024)

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

PISmith: Reinforcement Learning-based Red Teaming for Prompt Injection Defenses
von: Yin, Chenlong, et al.
Veröffentlicht: (2026)

Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack
von: Liu, Xin, et al.
Veröffentlicht: (2024)

Watermarking Graph Neural Networks via Explanations for Ownership Protection
von: Downer, Jane, et al.
Veröffentlicht: (2025)

Visual CoT Makes VLMs Smarter but More Fragile
von: Xu, Chunxue, et al.
Veröffentlicht: (2025)

Preserving Node-level Privacy in Graph Neural Networks
von: Xiang, Zihang, et al.
Veröffentlicht: (2023)

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

Node-level Contrastive Unlearning on Graph Neural Networks
von: Lee, Hong kyu, et al.
Veröffentlicht: (2025)

On the Adversarial Robustness of Graph Neural Networks with Graph Reduction
von: Wu, Kerui, et al.
Veröffentlicht: (2024)

CleanBase: Detecting Malicious Documents in RAG Knowledge Databases
von: Jin, Weifei, et al.
Veröffentlicht: (2026)

Are You Using Reliable Graph Prompts? Trojan Prompt Attacks on Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Supervised Robustness-preserving Data-free Neural Network Pruning
von: Meng, Mark Huasong, et al.
Veröffentlicht: (2022)

On Stealing Graph Neural Network Models
von: Podhajski, Marcin, et al.
Veröffentlicht: (2025)

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

Safeguarding Graph Neural Networks against Topology Inference Attacks
von: Fu, Jie, et al.
Veröffentlicht: (2025)

Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention
von: Sha, Qiuwu, et al.
Veröffentlicht: (2025)

Graph Reconstruction from Differentially Private GNN Explanations
von: Sahoo, Rishi Raj, et al.
Veröffentlicht: (2026)

Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network
von: Xu, Renjie, et al.
Veröffentlicht: (2024)

A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection
von: Jiang, Laura, et al.
Veröffentlicht: (2025)

DPAR: Decoupled Graph Neural Networks with Node-Level Differential Privacy
von: Zhang, Qiuchen, et al.
Veröffentlicht: (2022)

PIShield: Detecting Prompt Injection Attacks via Intrinsic LLM Features
von: Zou, Wei, et al.
Veröffentlicht: (2025)

GENIE: Watermarking Graph Neural Networks for Link Prediction
von: Bachina, Venkata Sai Pranav, et al.
Veröffentlicht: (2024)

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

NeuroDeX: Unlocking Diverse Support in Decompiling Deep Neural Network Executables
von: Li, Yilin, et al.
Veröffentlicht: (2025)

Enhancing Cybersecurity in IoT Networks: A Deep Learning Approach to Anomaly Detection
von: Pang, Yining, et al.
Veröffentlicht: (2024)

Hard-Label Cryptanalytic Extraction of Neural Network Models
von: Chen, Yi, et al.
Veröffentlicht: (2024)

PrivGNN: High-Performance Secure Inference for Cryptographic Graph Neural Networks
von: Wang, Fuyi, et al.
Veröffentlicht: (2025)