一种用于跨域图攻击的分布外成员推理攻击方法
机器学习
2025-05-27 v1
摘要
基于图神经网络的方法由于引入了关于目标的拓扑结构而面临隐私泄露风险，这使得攻击者能够绕过目标对敏感属性的先验知识，并通过观察和分析拓扑分布来实现成员推理攻击（MIA）。随着隐私问题的日益关注，MIA 中关于攻击者能够获得同分布辅助数据集的假设越来越偏离现实。在本文中，我们将现实世界 MIA 场景中的分布多样性问题归类为分布外（OOD）问题，并提出了一种新颖的图分布外成员推理攻击（GOOD-MIA）以实现跨域图攻击。具体而言，我们构建了具有不同域分布的影子子图，以建模现实世界数据的多样性。然后，我们探索在外部影响下保持不变的稳定节点表示，并考虑消除来自混杂环境的冗余信息并提取与任务相关的关键信息，以更清晰地区分训练数据和未见数据的特征。这种基于 OOD 的设计使跨域图攻击成为可能。最后，我们执行风险外推以优化攻击推理过程中的攻击域适应性，从而将攻击泛化到其他域。实验结果表明，GOOD-MIA 在为多个域设计的数据集上实现了卓越的攻击性能。
引用
@article{arxiv.2505.20074,
title = {An Out-Of-Distribution Membership Inference Attack Approach for Cross-Domain Graph Attacks},
author = {Jinyan Wang and Liu Yang and Yuecen Wei and Jiaxuan Si and Chenhao Guo and Qingyun Sun and Xianxian Li and Xingcheng Fu},
journal= {arXiv preprint arXiv:2505.20074},
year = {2025}
}
备注
Accepted by the 34th International Joint Conference on Artificial Intelligence (IJCAI-25)