针对图神经网络的图级标签唯一成员推断攻击
机器学习
2025-03-27 v2 人工智能
摘要
图神经网络 (GNN) 广泛用于图结构数据，但在图分类任务中容易受到成员推断攻击 (MIA)，这些攻击确定图是否为训练数据集的一部分，从而可能导致数据泄露。现有的 MIA 依赖预测概率向量，但仅提供预测标签时便失效。我们提出一种图级标签唯一成员推断攻击 (GLO-MIA)，其基于这样一种直觉：目标模型对训练数据的预测比对测试数据的预测更稳定。GLO-MIA 通过对目标图的有效特征添加扰动来生成一组扰动图，并查询目标模型以获取这些扰动图的预测标签，然后用于计算目标图的鲁棒性得分。最后，通过将鲁棒性得分与预定义阈值比较，可以高概率正确推断目标图的成员身份。我们在三个数据集和四个 GNN 模型上的评估显示，GLO-MIA 的攻击准确率最高可达 0.825，显著优于基线工作 8.5%，甚至与基于概率的 MIA 性能相近，仅凭预测标签即可实现。
引用
@article{arxiv.2503.19070,
title = {Graph-Level Label-Only Membership Inference Attack against Graph Neural Networks},
author = {Jiazhu Dai and Yubing Lu},
journal= {arXiv preprint arXiv:2503.19070},
year = {2025}
}