GraphToxin：从图 unlearning 重建完整未未删除图

图 unlearning 已成为遵循“被遗忘权”法规的有前景解决方案，通过实现请求时移除敏感信息。然而，这一解决方案并非完善。多个方程的参与引入了新的攻击面，未删除图中的残留痕迹仍可能存在于未删除的图神经网络（GNN）中。这些漏洞可被攻击者利用以恢复应被删除的样本，从而破坏图 unlearning 的预期功能。在本工作中，我们提出 GraphToxin，即首个针对图 unlearning 的完整图重建攻击。具体而言，我们引入一种新颖的曲率匹配模块，以为未删除图恢复提供细粒度指导。我们表明 GraphToxin 能够成功颠覆图 unlearning 应得的监管保证，它不仅能恢复已删除个体的信息和个人链接，还能从其连接中恢复敏感内容，因而构成更大范围的危害。此外，我们将 GraphToxin 扩展到多节点删除情形，涵盖白盒和黑盒设置，展示了其实际可行性和潜在造成的严重损害。我们强调必须进行最坏情况分析，并提出系统化的评估框架来评估在随机和最坏情况节点删除情景下的攻击性能。我们的广泛实验表明 GraphToxin 的有效性和灵活性。值得注意的是，现有防御机制在此类攻击下大多不起作用，甚至在某些情况下会放大其性能。鉴于 GraphToxin 所构成的严重隐私风险，我们的工作凸显了迫切需要更有效和更稳健的防御措施。