EC-LDA：基于嵌入压缩的联邦图学习标签分布推断攻击
机器学习
2025-09-25 v3 密码学与安全
摘要
图神经网络（GNN）已被广泛用于图分析。联邦图学习（FGL）是一种新兴的学习框架，允许来自多个客户端的图数据协同训练。尽管 FGL 允许客户端数据保持本地化，但恶意服务器仍可通过上传的梯度窃取客户端的私有数据信息。本文首次提出针对 FGL 的标签分布攻击（LDA），旨在推断客户端数据集的标签分布。首先，我们观察到 LDA 的有效性与 GNN 中节点嵌入的方差密切相关。随后，我们分析两者的关系，提出一种名为 EC-LDA 的新型攻击方法，通过压缩节点嵌入显著提升攻击效果。进一步的实验在节点分类和链路预测任务上基于六个广泛使用的数据集表明，EC-LDA 在已知 LDA 方法中取得优异性能。具体而言，在绝大多数情况下，EC-LDA 都能实现接近 1.0 的 Cos-sim。最后，我们探讨了 EC-LDA 在差分隐私保护下的鲁健性，并讨论了可能的有效防御方法。我们的代码已公开：https://github.com/cheng-t/EC-LDA。
引用
@article{arxiv.2505.15140,
title = {EC-LDA : Label Distribution Inference Attack against Federated Graph Learning with Embedding Compression},
author = {Tong Cheng and Jie Fu and Xinpeng Ling and Huifa Li and Zhili Chen and Haifeng Qian and Junqing Gong},
journal= {arXiv preprint arXiv:2505.15140},
year = {2025}
}
备注
This paper has been accepted by 2025 IEEE International Conference on Data Mining (ICDM 2025)