CITED: 一种面向图神经网络的决策边界感知签名，用于模型提取防御
机器学习
2026-02-25 v1
摘要
图神经网络 (GNN) 在诸如推荐系统和金融风险管理等应用中展现出卓越的性能。然而，由于需要大量计算资源和 extensive property 数据，本地部署大规模 GNN 模型对用户而言尤其具有挑战性。因此，机器学习即服务 (MLaaS) 变得越来越受欢迎，为部署和访问各种模型（包括 GNN）提供了便利方式。然而，一种被称为模型提取攻击 (MEAs) 的新兴威胁 presents significant risks，攻击者可以通过重复查询目标模型并使用子图输入来收集相应响应。这些输入输出对随后被用来训练低成本的替代模型。已提出许多技术来防御 MEAs，但大多数局限于特定的输出层级（如嵌入或标签），并存在固有的技术局限性。为了解决这些限制，我们提出一种新颖的所有权验证框架 CITED，这是一种首创性的方法，用于同时在嵌入和标签层级实现所有权验证。此外，CITED 是一种新的基于签名的方法，既不损害下游性能，也不引入降低效率的辅助模型，同时仍然优于所有水印和指纹方法。广泛的实验表明，我们的 CITED 框架的有效性和鲁健性。代码请参见: https://github.com/LabRAI/CITED。
引用
@article{arxiv.2602.20418,
title = {CITED: A Decision Boundary-Aware Signature for GNNs Towards Model Extraction Defense},
author = {Bolin Shen and Md Shamim Seraj and Zhan Cheng and Shayok Chakraborty and Yushun Dong},
journal= {arXiv preprint arXiv:2602.20418},
year = {2026}
}