GraphMI：从图神经网络中提取私有图数据

随着机器学习在关键应用中使用日益广泛，研究其在隐私方面影响的需求变得迫切。在可访问目标模型与辅助信息的条件下，模型反演攻击旨在推断训练数据集的敏感特征，这引发严重隐私担忧。尽管该方法在网格状领域取得成功，但由于难以充分利用图神经网络（GNN）中图的内在性质与节点属性，直接将模型反演技术应用于图等非网格领域攻击性能较差。为弥补这一差距，我们提出\textbf{图} \textbf{模} \textbf{型} \textbf{反} \textbf{演}攻击（GraphMI），旨在通过反演GNN（最先进的图分析工具之一）来提取训练图的私有图数据。具体而言，我们首先提出投影梯度模块以处理图边的离散性，同时保持图特征的稀疏性与平滑性。随后设计图自编码器模块，以高效利用图拓扑、节点属性及目标模型参数进行边推断。基于所提方法，我们研究了模型反演风险与边影响间的联系，表明具有更大影响的边更可能被恢复。在多个公开数据集上的大量实验证明了方法的有效性。我们还表明，规范形式的差分隐私在保持合理效用的同时难以防御我们的攻击。