FedGMark：面向联邦图学习的可认证鲁棒水印
密码学与安全
2024-10-24 v1
摘要
联邦图学习（FedGL）是一种新兴的学习范式，用于协同训练来自不同客户端的图数据。然而，在FedGL模型的开发和部署过程中，它们容易受到非法复制和模型盗窃的攻击。基于后门的水印是一种众所周知的方法，可以缓解这些攻击，因为它为模型所有者提供了所有权验证。我们迈出了通过基于后门的水印保护FedGL模型所有权的第一步。现有技术在实现这一目标方面面临挑战：1）它们要么无法直接应用，要么性能不理想；2）它们容易受到水印移除攻击；3）它们缺乏形式化保证。为了解决所有挑战，我们提出了FedGMark，这是第一个用于FedGL的可认证鲁棒的基于后门的水印。FedGMark利用FedGL中独特的图结构和客户端信息来学习定制化和多样化的水印。它还设计了一种新颖的GL架构，有助于防御经验性和理论上最坏情况下的水印移除攻击。大量实验验证了FedGMark有前景的经验性和可证明的水印性能。源代码可在以下网址获取：https://github.com/Yuxin104/FedGMark。
引用
@article{arxiv.2410.17533,
title = {FedGMark: Certifiably Robust Watermarking for Federated Graph Learning},
author = {Yuxin Yang and Qiang Li and Yuan Hong and Binghui Wang},
journal= {arXiv preprint arXiv:2410.17533},
year = {2024}
}
备注
This paper is accepted to NeurIPS 2024