即服务防御：针对后门图模型的黑盒防护

随着大型图学习模型的趋势，企业所有者倾向于雇佣第三方提供的模型来向用户提供业务服务。然而，这些模型可能存在后门，恶意用户可以通过提交包含触发器的输入来操纵模型预测。当前的图后门防御存在若干局限：1）依赖于模型相关细节，2）需要额外的模型微调，3）依赖于额外的可解释性工具，这些都在严格的隐私政策下不可行。为了解决这些局限问题，我们提出了 GraphProt，允许资源受限的企业所有者依赖第三方来避免图神经网络（GNN）基于图的分类器的后门攻击。我们的 GraphProt 是模型无关的，仅依赖于输入图。关键思想是利用子图信息进行预测，从而减轻由触发器引起的后门效应。GraphProt 包含两个组件：基于聚类的触发消除和稳健子图集成。具体而言，我们首先提出了基于特征-拓扑聚类的方法，以消除大多数异常子图（触发器）。此外，我们设计了基于特征-拓扑聚类的子图抽样策略，通过多数投票构建稳健分类器。实验结果在三个后门攻击和六个基准数据集上表明，GraphProt 显著降低了后门攻击成功率，同时保持了在常规图分类任务上的模型准确性。