Graph-Fraudster：针对基于图神经网络的纵向联邦学习的对抗攻击
机器学习
2022-03-21 v2
摘要
图神经网络（GNN）在图表示学习上取得了巨大成功。受限于从用户端收集的大规模私有数据，若无丰富特征与完整邻接关系，GNN 可能无法展现优异性能。为此，提出纵向联邦学习（VFL）通过协作训练全局模型实现本地数据保护。因此，对于图结构数据，构建基于 GNN 的 VFL 框架（记为 GVFL）是自然之举。然而，GNN 已被证明易受对抗攻击。这种脆弱性是否会带入 GVFL 尚无人研究。本文首次研究针对 GVFL 的对抗攻击，提出一种名为 Graph-Fraudster 的新型对抗攻击方法。它基于隐私泄露和成对节点梯度，通过加噪的全局节点嵌入生成对抗扰动。具体而言：首先，Graph-Fraudster 窃取全局节点嵌入并为攻击生成器搭建服务器影子模型；其次，向节点嵌入添加噪声以混淆影子模型；最后，利用成对节点梯度在加噪节点嵌入的指导下生成攻击。在五个基准数据集上的大量实验表明，相较于基线，Graph-Fraudster 在不同基于 GNN 的 GVFL 中均达到当前最优攻击性能。此外，即便应用两种可能的防御机制，Graph-Fraudster 仍对 GVFL 构成威胁。同时，为未来提升 GVFL 鲁棒性的工作提出了若干建议。代码与数据集可从 https://github.com/hgh0545/Graph-Fraudster 下载。
引用
@article{arxiv.2110.06468,
title = {Graph-Fraudster: Adversarial Attacks on Graph Neural Network Based Vertical Federated Learning},
author = {Jinyin Chen and Guohan Huang and Haibin Zheng and Shanqing Yu and Wenrong Jiang and Chen Cui},
journal= {arXiv preprint arXiv:2110.06468},
year = {2022}
}