用可学习特征增强虚假节点作为应对链接窃取攻击的对策策略的可行性如何？

图神经网络（GNN）被广泛用于基于图的预测任务。然而，尽管GNN在学习图数据方面表现出色，它们也伴随着隐私泄露的风险。例如，攻击者可以对GNN运行精心设计的查询，并从响应中推断出一对节点之间是否存在边。这种攻击被称为"链接窃取"攻击，可能通过泄露潜在敏感信息危及用户隐私。为了抵御这种攻击，我们提出了一种名为"$(N)$ode $(A)$ugmentation for $(R)$estricting $(G)$raphs from $(I)$nsinuating their $(S)$tructure"（NARGIS）的方法，并研究其可行性。NARGIS专注于重塑图嵌入空间，使得GNN模型的后验分布仍能为预测任务提供效用，但同时为链接窃取攻击者引入歧义。为此，NARGIS对给定图应用谱聚类以促进其与新节点的增强——这些节点具有可学习的特征而非固定特征。它利用三层优化来学习GNN模型、代理攻击模型和我们防御模型（即可学习节点特征）的参数。我们在三个基准引用数据集上对NARGIS进行了广泛评估，覆盖攻击者的八种知识可用性设置。我们还评估了模型保真度和基于影响推理的链接推断攻击中的防御性能。通过我们的研究，我们找到了NARGIS的最佳特性——在大量情况下其优越的保真度-隐私性能权衡。我们还发现了模型需要改进的情形，并提出了整合不同方案以使模型对链接窃取攻击更具鲁棒性的方法。