针对节点级纵向联邦GNN的标签推断攻击
机器学习
2024-04-19 v2 密码学与安全
摘要
联邦学习通过保持参与方原始数据私有，实现机器学习模型的协同训练。其三个主要目标是提升模型的隐私性、安全性与可扩展性。纵向联邦学习（VFL）提供了一种高效的跨机构设定，其中少数参与方在不共享相同特征的情况下协同训练模型。在此场景中，分类标签通常被视为由一方（主动方）独占持有的敏感信息，而其他（被动）方仅使用其本地信息。近期工作揭示了VFL的重要缺陷，在攻击者对标签与数据间关系具备某些（即便有限）背景知识的假设下，可能导致标签推断攻击。本工作中，据我们所知我们首次以零背景知识策略研究针对VFL的标签推断攻击。为表述我们的方案，我们聚焦于以图神经网络（GNNs）作为底层VFL的目标模型。特别地，我们关注被广泛研究且GNNs已展现前景的节点分类任务。我们提出的攻击BlindSage在实验中取得惊人结果，多数情况下达到近100%准确率。即便攻击者对所用架构或类别数一无所知，多数情形下准确率仍高于90%。最后，我们观察到知名防御手段无法在不影响主分类任务模型性能的前提下缓解我们的攻击。
引用
@article{arxiv.2308.02465,
title = {Label Inference Attacks against Node-level Vertical Federated GNNs},
author = {Marco Arazzi and Mauro Conti and Stefanos Koffas and Marina Krcek and Antonino Nocera and Stjepan Picek and Jing Xu},
journal= {arXiv preprint arXiv:2308.02465},
year = {2024}
}