Intrinsic Defenses Against Backdoor Attacks in High-Order Graph Neural Networks via Semantic and Outlier-Guided Subgraph Policies
Notice bibliographique
Résumé
Graph Neural Networks (GNNs) are increasingly used in sensitive areas such as healthcare and finance, where reliability and security are critical. However, their vulnerability to adversarial backdoor attacks creates serious risks. These attacks insert harmful triggers during training to force the model to produce incorrect, targeted outputs during inference. Although several defense strategies have been proposed, designing GNN systems that are naturally resistant to such attacks remains a significant challenge. In this work, we leverage the enhanced expressiveness of higher-order GNNs and a substructure learning approach to propose a new, robust system that includes two built-in defense mechanisms. The first is a substructure extraction method that uses cosine similarity to measure the semantic alignment between connected nodes. Edges between nodes that are semantically different are marked as potential triggers and are removed. As a result, the substructures are formed by more consistent neighborhoods and meaningful relationships, and the model becomes more resistant to backdoor attacks that violate graph homophily. The second mechanism is an outlier detection-based approach that uses clustering to identify dominant and cohesive substructures within the graph. Nodes that differ significantly from these core structures are marked as potential triggers. By isolating and filtering out such anomalies, the model can reduce the success rate of backdoor attacks that introduce unnatural or deceptive graph elements. We evaluate our approach on standard datasets and under various state-of-the-art attack scenarios. Results show a significant reduction in backdoor attack success rates while maintaining high clean accuracy. These findings demonstrate the potential of embedding structure-aware defense mechanisms directly into GNN systems. This project's source code is publicly available at https://github.com/AbhiJeet70/SPROUT_GNN and permanently archived with DOI: 10.5281/zenodo. 17095064.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».