图神经网络中的联邦标签分布推断

联邦图神经网络（FedGNNs） facilitate（促进）在多个具有图结构数据的客户端之间进行协作学习，同时保持用户隐私。然而， emerging research（新兴研究）表明，在这一设置中，共享的模型更新（尤其是梯度）可能意外地泄露本地用户的敏感信息。大量隐私推断攻击在传统联邦学习中被探索，并扩展到图设置，但标签分布推断在 FedGNNs 中仍 largely underexplored（基本未被探索）。本文引入 Fed-Listing（Federated Label Distribution Inference in GNNs），一种 novel gradient-based attack（基于梯度的新型攻击），用于在没有访问原始数据或节点特征的情况下推断 FedGNNs 中目标客户端的私有标签统计。Fed-Listing 仅利用训练期间交换的 final-layer 梯度来揭示揭示类别比例的统计模式。在四个基准数据集和三个 GNN 架构上的 extensive experiments（大量实验）表明，Fed-Listing significant（显著）优于现有基线，包括 random guessing 和 Decaf，即使在 challenging non-i.i.d. 情况下也如此。此外，现有的 defense mechanisms（防御机制）基本无法降低 Fed-Listing 的攻击性能，除非严重降低模型实用性。代码实现和补充材料可在此处提供：https://github.com/suprimnakarmi/Fed-Listing。