图神经网络的梯度反演攻击
机器学习
2025-08-05 v2 人工智能
摘要
图型联邦学习对于在大型图数据集上训练且保护数据隐私至关重要，其中每个客户端存储本地图数据的子集，而服务器收集本地梯度并仅广播聚合后的梯度。最近的研究表明，恶意攻击者可以在联邦学习期间从神经网络的梯度交换中窃取私人图像数据。然而，在此类攻击下，图数据和图神经网络的脆弱性，即从梯度中重建节点特征和图结构，仍在很大程度上未被探索。为了回答这个问题，本文研究了私人数据能否从泄露的梯度中被重建的两个问题：节点分类和图分类任务，并提出一种名为图梯度泄漏（GLG）的新型攻击。两种广泛使用的 GNN 框架即 GCN 和 GraphSAGE 被分析。广泛讨论了不同模型设置对重建的影响。理论分析和实证验证表明，凭借图数据和 GNN 的独特特性，GLG 能够更准确地从梯度中重建节点特征和图结构。
引用
@article{arxiv.2411.19440,
title = {Gradient Inversion Attack on Graph Neural Networks},
author = {Divya Anand Sinha and Ruijie Du and Yezi Liu and Athina Markopolou and Yanning Shen},
journal= {arXiv preprint arXiv:2411.19440},
year = {2025}
}
备注
https://openreview.net/forum?id=a0mLrqkWyx