GraphGuard：检测与反制图神经网络中的训练数据滥用
机器学习
2023-12-14 v1 密码学与安全
摘要
图神经网络（GNN）在图数据分析中的兴起及其在机器学习即服务平台上的部署，引发了人们对模型训练期间数据滥用的严重关切。由于本地训练过程缺乏透明度，这种情况进一步加剧，可能导致大量图数据被未经授权地积累，从而侵犯数据所有者的知识产权。现有方法通常只解决数据滥用检测或缓解中的一项，且主要针对本地GNN模型而非基于云的MLaaS平台设计。这些局限性要求一种有效且全面的解决方案，既能检测又能缓解数据滥用，无需确切的训练数据，同时尊重此类数据的专有性质。本文提出了一种名为GraphGuard的开创性方法，以应对这些挑战。我们提出了一种无需训练数据的方法，不仅能够检测图数据滥用，还能通过有针对性的遗忘来减轻其影响，全程不依赖原始训练数据。我们创新的滥用检测技术采用带有放射性数据的成员推断，增强了成员与非成员数据分布之间的可区分性。在缓解方面，我们利用合成图来模拟目标模型先前学到的特征，即使在缺少确切图数据的情况下也能实现有效的遗忘。我们利用四个真实世界的图数据集进行了全面实验，以展示GraphGuard在检测和遗忘方面的有效性。我们证明，GraphGuard在这些数据集上使用各种GNN模型均达到了接近100%的近乎完美的检测率。此外，它通过消除被遗忘图的影响来执行遗忘，准确率仅有轻微下降（低于5%）。
引用
@article{arxiv.2312.07861,
title = {GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks},
author = {Bang Wu and He Zhang and Xiangwen Yang and Shuo Wang and Minhui Xue and Shirui Pan and Xingliang Yuan},
journal= {arXiv preprint arXiv:2312.07861},
year = {2023}
}