arXiv cs.AI· Vincess Dongmo, Astride Melvin Fokam Ninyim·· 12 小时前AI 评分24
多关系图学习中关系何时值得信任？操纵成本、暴露度与信任陷阱
When Is a Relation Worth Trusting? Manipulation Costs, Exposure, and the Trust Trap in Multi-Relational Graph Learning
AI 导读
研究提出多关系图检测器中的“信任陷阱”：当部分节点在某一关系上被孤立、攻击者又无力打开门控时，度门控严格优于对该关系的任何选择或重加权，且该窗口是紧的。每节点暴露度上界可指导平台选择加固哪条关系，按单位成本暴露度选出的关系在 16 个案例中有 15 个最能提升陷阱阈值。在六张图的 90 个设置中，干净训练的图检测器有 58 个不如无图基线；缺乏成本信息时，安全做法是弃用该关系。
正文 · AI 翻译
摘要：多关系图检测器从干净数据中学习对每种关系的信任程度，但对手操纵每种关系和每个动作所付出的代价各不相同；在给定这些代价的前提下，我们研究何时使用某种关系反而不如忽略它。我们的第一个主要结果证明：当部分群体在该关系上被孤立、且攻击者无力打开门控时，度门控严格优于对该关系的任何选择或重新加权，并且这一窗口是紧的；在真实图上，经过验证的门控恰好只在满足这些条件的关系上带来增益，在其他关系上则没有。我们的第二个结果表明，逐节点暴露上界（可推广到消息传递）能告诉平台应加固哪种关系：在没有任何攻击的情况下计算出的单位代价暴露度，在 16 个案例中有 15 个能选出加固后使精确陷阱阈值提升最多的关系，而信息量、廉价程度或等编辑代价分析最多只能达到 7 个。配套工具为线性关系模型给出精确最坏情况，为 R-GCN 和树集成给出经认证的区间，并为对抗验证给出有限样本保证；在该保证下，干净数据训练的图检测器在六个图的 90 种设置中有 58 种低于其无图对应版本。基于这些结果构建的选择协议从不显著劣于忽略图；当关系数不超过四个时，它大多弃权，正如仅靠验证所做的那样；而当关系众多时，其代价感知的提议会有所帮助，目前已在合成图上展示。在没有代价信息时，安全的选择是弃权。
| 评论： | 预印本。2026 年 10 月 27 日 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI)；密码学与安全 (cs.CR) |
| 引用为： | arXiv:2610.37239 [cs.LG] |
| （或 arXiv:2610.37239v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37239 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Astride Melvin Fokam Ninyim [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 13:43:56 UTC（861 KB）
来源：arXiv cs.AI · arxiv.org