:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Yuyuan, Ma, Bin, Dai, Enyan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2510.15333
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Poisoning the Inner Prediction Logic of Graph Neural Networks for Clean-Label Backdoor Attacks
von: Zhang, Yuxiang, et al.
Veröffentlicht: (2026)

How Explanations Leak the Decision Logic: Stealing Graph Neural Networks via Explanation Alignment
von: Ma, Bin, et al.
Veröffentlicht: (2025)

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

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

Divided We Fall: Defending Against Adversarial Attacks via Soft-Gated Fractional Mixture-of-Experts with Randomized Adversarial Training
von: Meymani, Mohammad, et al.
Veröffentlicht: (2025)

LiSA: Leveraging Link Recommender to Attack Graph Neural Networks via Subgraph Injection
von: Zhang, Wenlun, et al.
Veröffentlicht: (2025)

SCL-GNN: Towards Generalizable Graph Neural Networks via Spurious Correlation Learning
von: Zhang, Yuxiang, et al.
Veröffentlicht: (2026)

BadGraph: A Backdoor Attack Against Latent Diffusion Model for Text-Guided Graph Generation
von: Ye, Liang, et al.
Veröffentlicht: (2025)

Filter, Obstruct and Dilute: Defending Against Backdoor Attacks on Semi-Supervised Learning
von: Wang, Xinrui, et al.
Veröffentlicht: (2025)

Your Agent Can Defend Itself against Backdoor Attacks
von: Changjiang, Li, et al.
Veröffentlicht: (2025)

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

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

PreGIP: Watermarking the Pretraining of Graph Neural Networks for Deep Intellectual Property Protection
von: Dai, Enyan, et al.
Veröffentlicht: (2024)

Boosting Graph Robustness Against Backdoor Attacks: An Over-Similarity Perspective
von: Liu, Chang, et al.
Veröffentlicht: (2025)

HeteroBA: A Structure-Manipulating Backdoor Attack on Heterogeneous Graphs
von: Gao, Honglin, et al.
Veröffentlicht: (2025)

HeteroHBA: A Generative Structure-Manipulating Backdoor Attack on Heterogeneous Graphs
von: Gao, Honglin, et al.
Veröffentlicht: (2025)

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

Shape-aware Graph Spectral Learning
von: Xu, Junjie, et al.
Veröffentlicht: (2023)

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

Defending Deep Regression Models against Backdoor Attacks
von: Du, Lingyu, et al.
Veröffentlicht: (2024)

Defending against Backdoor Attack on Deep Neural Networks
von: Cheng, Hao, et al.
Veröffentlicht: (2020)

Invariant Aggregator for Defending against Federated Backdoor Attacks
von: Wang, Xiaoyang, et al.
Veröffentlicht: (2022)

PeerGuard: Defending Multi-Agent Systems Against Backdoor Attacks Through Mutual Reasoning
von: Fan, Falong, et al.
Veröffentlicht: (2025)

General Protein Pretraining or Domain-Specific Designs? Benchmarking Protein Modeling on Realistic Applications
von: Yan, Shuo, et al.
Veröffentlicht: (2025)

Route to Rome Attack: Directing LLM Routers to Expensive Models via Adversarial Suffix Optimization
von: Tang, Haochun, et al.
Veröffentlicht: (2026)

Heterogeneous Graph Backdoor Attack
von: Chen, Jiawei, et al.
Veröffentlicht: (2025)

Query-Efficient Adversarial Attack Against Vertical Federated Graph Learning
von: Chen, Jinyin, et al.
Veröffentlicht: (2024)

When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning
von: Arafat, Naheed Anjum, et al.
Veröffentlicht: (2024)

On the Robustness of Graph Reduction Against GNN Backdoor
von: Zhu, Yuxuan, et al.
Veröffentlicht: (2024)

A Semantic and Clean-label Backdoor Attack against Graph Convolutional Networks
von: Dai, Jiazhu, et al.
Veröffentlicht: (2025)

Let's Grow an Unbiased Community: Guiding the Fairness of Graphs via New Links
von: Lu, Jiahua, et al.
Veröffentlicht: (2025)

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

InkDrop: Invisible Backdoor Attacks Against Dataset Condensation
von: Yang, He, et al.
Veröffentlicht: (2026)

FedDefender: Backdoor Attack Defense in Federated Learning
von: Gill, Waris, et al.
Veröffentlicht: (2023)

Graph Knowledge Distillation to Mixture of Experts
von: Rumiantsev, Pavel, et al.
Veröffentlicht: (2024)

Mixture of Weak & Strong Experts on Graphs
von: Zeng, Hanqing, et al.
Veröffentlicht: (2023)

Dynamic Mixture-of-Experts for Incremental Graph Learning
von: Kong, Lecheng, et al.
Veröffentlicht: (2025)

LISArD: Learning Image Similarity to Defend Against Gray-box Adversarial Attacks
von: Costa, Joana C., et al.
Veröffentlicht: (2025)

Stealthy Yet Effective: Distribution-Preserving Backdoor Attacks on Graph Classification
von: Wang, Xiaobao, et al.
Veröffentlicht: (2025)

Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks
von: Liu, Ao, et al.
Veröffentlicht: (2024)