图神经网络的黑盒属性推断攻击是否构成隐私风险？
机器学习
2023-06-02 v1 人工智能
密码学与安全
摘要
图神经网络（GNNs）在包括医疗、金融和教育在内的真实数据集与应用上已展现出有前景的结果。然而，近期研究表明 GNNs 极易受到成员推断攻击和链接重构攻击等攻击。令人惊讶的是，属性推断攻击很少受到关注。在本文中，我们首次开展对属性推断攻击的研究，其中攻击者旨在基于其公开或非敏感属性推断敏感用户属性。我们提出这样的问题：黑盒属性推断攻击是否对图结构数据及其相应 GNN 模型构成显著隐私风险。我们采取系统方法，通过改变攻击者的知识与假设来发起攻击。我们的发现表明，当攻击者具有对目标模型的黑盒访问权限时，与缺失值估计技术相比，GNNs 通常不会泄露显著更多的信息。代码已公开。
引用
@article{arxiv.2306.00578,
title = {Does Black-box Attribute Inference Attacks on Graph Neural Networks Constitute Privacy Risk?},
author = {Iyiola E. Olatunji and Anmar Hizber and Oliver Sihlovec and Megha Khosla},
journal= {arXiv preprint arXiv:2306.00578},
year = {2023}
}