图神经网络的所有权验证: COPYCOP
机器学习
2026-05-08 v1 人工智能
摘要
给定两个输出节点嵌入的 GNN，我们如何确定它们是否独立训练?对手可能训练一个 GNN 以特意模仿另一个 GNN 的嵌入。为掩盖两个 GNN 之间的此类关系，对手 GNN 可能随后转换其输出嵌入。两个 GNN 可以具有不同的体系结构、权重和嵌入维度，而对手可以对嵌入进行转换。尽管存在这些严苛条件，CopyCop(一个名为 CopyCop 的算法)仍然能够识别此类仿冒 GNN，与现有的水印和指纹方法不同。我们还为 CopyCop 提供了理论保证。最后，实验在 14 个数据集和 5 种 GNN 体系结构上表明，CopyCop 在准确性和对广泛对手攻击和转换的鲁棒性方面表现优异。代码可在 https://anonymous.4open.science/r/CopyCop-Graph-Ownership-Verification-8143/README.md 获取。
引用
@article{arxiv.2605.05360,
title = {COPYCOP: Ownership Verification for Graph Neural Networks},
author = {Rahul Nandakumar and Deepayan Chakrabarti},
journal= {arXiv preprint arXiv:2605.05360},
year = {2026}
}