CEGA: 一种面向基于图的模型提取与获取的高性价比方法
机器学习
2025-07-09 v1 密码学与安全
机器学习
摘要
图神经网络（GNNs）在各类应用中展现出显著效用，其日益增长的复杂性使得机器学习即服务成为可扩展部署的可行平台。然而，这种可访问性也使 GNN 面临严重的安全威胁，最显著的是模型提取攻击，攻击者通过策略性地查询已部署的模型来构建高保真度的副本。在本工作中，我们评估了 GNN 对 MEA 的脆弱性，并探讨了其在非对抗性研究环境中用于高性价比模型获取的潜力。重要的是，自适应节点查询策略在研究中也能发挥关键作用，特别是在标注数据昂贵或耗时的情况下。通过选择性采样信息丰富的节点，研究人员可以在最少监督下训练高性能的 GNN，这在生物医学等领域尤为有价值，因为这些领域的注释通常需要专家输入。为此，我们提出了一种针对高度实用但尚未探索场景的节点查询策略，该场景禁止批量查询，且仅有一组有限的初始节点可用。我们的方法在多个学习周期中迭代地改进节点选择机制，利用历史反馈来提高提取效率。在基准图数据集上的大量实验表明，在严格的查询规模约束下，我们在准确率、保真度和 F1 分数上均优于可比基线。这些结果突出了已部署 GNN 面对提取攻击的易感性，以及道德、高效的 GNN 获取方法在支持低资源研究环境方面的潜力。
引用
@article{arxiv.2506.17709,
title = {CEGA: A Cost-Effective Approach for Graph-Based Model Extraction and Acquisition},
author = {Zebin Wang and Menghan Lin and Bolin Shen and Ken Anderson and Molei Liu and Tianxi Cai and Yushun Dong},
journal= {arXiv preprint arXiv:2506.17709},
year = {2025}
}