Buchumschlag

On the Robustness of Graph Reduction Against GNN Backdoor

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Yuxuan, Mandulak, Michael, Wu, Kerui, Slota, George, Jeon, Yuseok, Chow, Ka-Ho, Yu, Lei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Imperio: Language-Guided Backdoor Attacks for Arbitrary Model Control
von: Chow, Ka-Ho, et al.
Veröffentlicht: (2024)

A Survey of Privacy Threats and Defense in Vertical Federated Learning: From Model Life Cycle Perspective
von: Yu, Lei, et al.
Veröffentlicht: (2024)

In-Context Probing for Membership Inference in Fine-Tuned Language Models
von: Lu, Zhexi, et al.
Veröffentlicht: (2025)

Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks
von: Gosch, Lukas, et al.
Veröffentlicht: (2024)

Robustness Inspired Graph Backdoor Defense
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2024)

Building Gradient Bridges: Label Leakage from Restricted Gradient Sharing in Federated Learning
von: Zhang, Rui, et al.
Veröffentlicht: (2024)

Confundo: Learning to Generate Robust Poison for Practical RAG Systems
von: Hu, Haoyang, et al.
Veröffentlicht: (2026)

Krait: A Backdoor Attack Against Graph Prompt Tuning
von: Song, Ying, et al.
Veröffentlicht: (2024)

"No Matter What You Do": Purifying GNN Models via Backdoor Unlearning
von: Zhang, Jiale, et al.
Veröffentlicht: (2024)

On the Efficiency of Privacy Attacks in Federated Learning
von: Tabassum, Nawrin, et al.
Veröffentlicht: (2024)

Harmless Backdoor-based Client-side Watermarking in Federated Learning
von: Luo, Kaijing, et al.
Veröffentlicht: (2024)

Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses
von: Wang, Yongyu
Veröffentlicht: (2025)

Instruction Backdoor Attacks Against Customized LLMs
von: Zhang, Rui, et al.
Veröffentlicht: (2024)

Secure Transfer Learning: Training Clean Models Against Backdoor in (Both) Pre-trained Encoders and Downstream Datasets
von: Zhang, Yechao, et al.
Veröffentlicht: (2025)

ADAGE: Active Defenses Against GNN Extraction
von: Xu, Jing, et al.
Veröffentlicht: (2025)

Gradient Shaping: Enhancing Backdoor Attack Against Reverse Engineering
von: Zhu, Rui, et al.
Veröffentlicht: (2023)

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

DMGNN: Detecting and Mitigating Backdoor Attacks in Graph Neural Networks
von: Sui, Hao, et al.
Veröffentlicht: (2024)

BadMerging: Backdoor Attacks Against Model Merging
von: Zhang, Jinghuai, et al.
Veröffentlicht: (2024)

Graph-Aware Stealthy Poison-Text Backdoors for Text-Attributed Graphs
von: Luo, Qi, et al.
Veröffentlicht: (2026)

BackdoorBench: A Comprehensive Benchmark and Analysis of Backdoor Learning
von: Wu, Baoyuan, et al.
Veröffentlicht: (2024)

PECAN: A Deterministic Certified Defense Against Backdoor Attacks
von: Zhang, Yuhao, et al.
Veröffentlicht: (2023)

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

Robust GNN Watermarking via Implicit Perception of Topological Invariants
von: Li, Jipeng, et al.
Veröffentlicht: (2025)

Composite Backdoor Attacks Against Large Language Models
von: Huang, Hai, et al.
Veröffentlicht: (2023)

SleeperNets: Universal Backdoor Poisoning Attacks Against Reinforcement Learning Agents
von: Rathbun, Ethan, et al.
Veröffentlicht: (2024)

Watch Out for the Lifespan: Evaluating Backdoor Attacks Against Federated Model Adaptation
von: Vuillod, Bastien, et al.
Veröffentlicht: (2025)

Backdoor Graph Condensation
von: Wu, Jiahao, et al.
Veröffentlicht: (2024)

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

CryptGNN: Enabling Secure Inference for Graph Neural Networks
von: Sen, Pritam, et al.
Veröffentlicht: (2025)

BadRSSD: Backdoor Attacks on Regularized Self-Supervised Diffusion Models
von: Wang, Jiayao, et al.
Veröffentlicht: (2026)

Link Stealing Attacks Against Inductive Graph Neural Networks
von: Wu, Yixin, et al.
Veröffentlicht: (2024)

GRID: Protecting Training Graph from Link Stealing Attacks on GNN Models
von: Lou, Jiadong, et al.
Veröffentlicht: (2025)

Interpreting GNN-based IDS Detections Using Provenance Graph Structural Features
von: Mukherjee, Kunal, et al.
Veröffentlicht: (2023)

Rethinking Graph Backdoor Attacks: A Distribution-Preserving Perspective
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2024)

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

Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers
von: Liu, Dongyi, et al.
Veröffentlicht: (2025)

Unveiling the Threat of Fraud Gangs to Graph Neural Networks: Multi-Target Graph Injection Attacks Against GNN-Based Fraud Detectors
von: Choi, Jinhyeok, et al.
Veröffentlicht: (2024)

Trapping Attacker in Dilemma: Examining Internal Correlations and External Influences of Trigger for Defending GNN Backdoors
von: Yang, Fan, et al.
Veröffentlicht: (2026)