Adversarial Attacks on Locally Private Graph Neural Networks
机器学习
2026-03-24 v1 密码学与安全
摘要
图神经网络 (GNN) 是分析图结构数据强大的工具。然而，其对对抗性攻击的脆弱性引发了严重关切，尤其是当处理敏感信息时。局部差分隐私 (LDP) 为训练 GNN 提供了隐私保护框架，但其对对抗鲁棒性的影响尚未得到充分探讨。本文研究了针对 LDP 保护 GNN 的对抗性攻击。我们探讨了 LDP 如何被利用或受到对抗扰动的限制。分析了现有攻击方法在 LDP 保护 GNN 上的有效性，并讨论了在 LDP 约束下构建对抗样本的潜在挑战。此外，我们提出了防御 LDP 保护 GNN 免受对抗攻击的方向。该工作探讨了隐私与安全在图学习中的相互作用，凸显了构建稳健且隐私保护 GNN 架构的必要性。
引用
@article{arxiv.2603.20746,
title = {Adversarial Attacks on Locally Private Graph Neural Networks},
author = {Matta Varun and Ajay Kumar Dhakar and Yuan Hong and Shamik Sural},
journal= {arXiv preprint arXiv:2603.20746},
year = {2026}
}