图Transductive防御：面向图成员推断攻击的两阶段防御
机器学习
2024-06-13 v1 人工智能
摘要
图神经网络（GNN）在社交网络和医疗数据分析等众多实际应用中发挥着关键作用，提供了强大的图学习能力。尽管取得了显著的成功，但GNN在面临包括成员推断攻击（Membership Inference Attack, MIA）在内的对手性攻击时十分脆弱，这些攻击通过识别记录是否为模型训练数据的一部分来威胁数据的隐私。虽然已有研究在图归纳学习设置下探索过MIA，但更常见且更具挑战性的图传递学习（graph transductive learning）设置在此背景下仍受到忽视。本文填补了这一空白，提出一种有效的两阶段防御方法——图Transductive防御（Graph Transductive Defense, GTD），专为图传递学习特征而设计。其方法核心在于结合训练-测试交替训练计划和平坡化策略，成功降低了训练和测试损失分布之间的差异。大量实验结果表明，我们的方法在性能上优于现有方法（相较于LBP方法，攻击AUROC下降，实用性能提升），显示出在各种分类模型中集成的潜力，且开销最小。
引用
@article{arxiv.2406.07917,
title = {Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks},
author = {Peizhi Niu and Chao Pan and Siheng Chen and Olgica Milenkovic},
journal= {arXiv preprint arXiv:2406.07917},
year = {2024}
}