机构名称：
¥ 2.0
图形神经网络（GNN）已被广泛应用于不同域之间的变量应用。但是，最近的研究表明，GNN易受成员推理攻击（MIA）的影响，该攻击旨在推断该模型的培训数据中包括某些特定的数据样本。虽然大多数先前的MIA都集中在训练图内的单个节点和边缘的成员中，但我们引入了一种新型的成员推理攻击形式，称为结构成员推理攻击（SMIA），该攻击（SMIA）旨在确定一组特定的目标结构，例如某个特定目标结构，例如集团或多跳训练图中的特定目标结构。为了解决此问题，我们提出了新颖的黑盒SMIA攻击，这些攻击利用了目标GNN模型产生的推理的预测输出。我们的方法涉及培训三标签分类器，该分类器与影子训练相结合，有助于加入推理攻击。我们对三种代表性GNN模型和三个现实世界图数据集的广泛实验评估表明，我们提出的攻击始终超过三个基线方法，包括采用常规链接成员资格推理攻击来推断子图结构的方法。此外，我们设计了一种防御机制，将扰动引入节点嵌入，从而影响了目标模型的相应预测输出。我们的防御选择性地覆盖了节点床中的尺寸，这些尺寸对模型的准确性影响最小。我们的经验结果表明，我们的方法的防御效力与两种既定的防御技术相媲美，这些技术采用了差异隐私。此外，与现有的两种防御方法相比，我们的方法在防御强度和目标模型的准确性之间取得了更好的权衡。
子图结构对图神经网络的成员推理攻击
主要关键词
相关文件推荐
