针对归纳式图神经网络的高效模型窃取攻击
机器学习
2024-11-21 v4
摘要
图神经网络（GNN）被认为是处理以图结构组织的现实世界数据的强大工具。特别是归纳式GNN，它允许处理图结构数据而不依赖于预定义的图结构，在广泛的应用中变得越来越重要。因此，这些网络成为模型窃取攻击的有吸引力的目标，攻击者试图复制目标网络的功能。大量工作致力于开发针对图像和文本训练模型的模型窃取攻击。然而，针对图数据训练的GNN的窃取攻击很少受到关注。本文提出了一种新的方法，利用图对比学习和谱图增强，对归纳式GNN进行无监督模型窃取攻击，以高效地从目标模型中提取信息。这种新型攻击在六个数据集上进行了全面评估，结果表明我们的方法优于Shen等人（2021）的当前最先进方法。特别是，我们的攻击在所有基准测试中均超过基线，实现了更高的保真度和下游精度，同时需要更少的对目标模型的查询。
引用
@article{arxiv.2405.12295,
title = {Efficient Model-Stealing Attacks Against Inductive Graph Neural Networks},
author = {Marcin Podhajski and Jan Dubiński and Franziska Boenisch and Adam Dziedzic and Agnieszka Pregowska and Tomasz P. Michalak},
journal= {arXiv preprint arXiv:2405.12295},
year = {2024}
}
备注
Accepted at ECAI - 27th European Conference on Artificial Intelligence