GraphTheft: 量化图提示学习中的隐私风险
密码学与安全
2024-11-25 v1
摘要
图提示学习 (Graph Prompt Learning, GPL) 代表了图表示学习中的一种创新方法，通过在不改变底层预训练模型的前提下，对提示进行微调，以实现任务特定的适应。尽管该方法正日益受到关注，但GPL中固有的隐私风险仍未被探讨。本研究在三种攻击能力情景下（即将GPL作为服务对象时的黑盒攻击，以及节点嵌入和提示表示可被第三方访问的场景）首次评估GPL的隐私泄露。我们通过属性推断攻击 (Attribute Inference Attacks, AIAs) 和链接推断攻击 (Link Inference Attacks, LIAs) 评估GPL的隐私漏洞，发现即使在任何能力水平下，攻击者都能有效推断出敏感节点的属性和关系，且某些数据集上推断成功率可达高达98%。值得注意的是，尽管针对特定提示（如GPF-plus）的有针对性推断攻击保持高成功率，但我们的分析表明，GPL中的提示调谐并未显著提升与传统图神经网络 (GNNs) 相比的隐私风险。为缓解这些风险，我们探索了防御机制，确定拉普拉斯噪声扰动可显著降低推断成功率，但在保护隐私与模型性能之间取得平衡仍具有挑战性。这一工作揭示了GPL中的关键隐私风险，为未来在图学习领域制定隐私保护策略提供了新视角和基础性方向。
引用
@article{arxiv.2411.14718,
title = {GraphTheft: Quantifying Privacy Risks in Graph Prompt Learning},
author = {Jiani Zhu and Xi Lin and Yuxin Qi and Qinghua Mao},
journal= {arXiv preprint arXiv:2411.14718},
year = {2024}
}