LinkTeller：通过影响分析从图神经网络恢复私有边
机器学习
2021-08-23 v2
摘要
鉴于丰富的节点特征与边信息，图结构数据已支撑了若干成功应用，如推荐系统与交通预测。然而，这些高维特征与高阶邻接信息通常是异构的，并在实践中由不同数据持有方掌握。给定此种垂直数据划分（例如，某一数据持有方仅拥有节点特征或边信息之一），出于隐私考虑，不同持有方必须开发高效的联合训练协议，而非直接相互传输数据。本文关注边隐私，并考虑如下训练场景：拥有节点特征的 Bob 首先将训练节点特征发送给拥有邻接信息的 Alice；Alice 随后利用联合信息训练图神经网络（GNN）并发布推理 API。推理期间，Bob 能够提供测试节点特征并查询该 API 以获取测试节点的预测。在此设定下，我们首先提出一种通过影响分析的隐私攻击 LinkTeller，通过为 Bob 设计对抗性查询来推断 Alice 持有的私有边信息。随后我们通过实验表明，LinkTeller 能够恢复大量的私有边，优于现有基线。为进一步评估隐私泄露，我们改编了一种已有的差分隐私图卷积网络（DP GCN）训练算法，并提出一种新的 DP GCN 机制 LapGraph。我们表明，在温和隐私保证下（），这些 DP GCN 机制在经验上并非总能抵御 LinkTeller。我们的研究将启发未来设计更具韧性的隐私保护 GCN 模型，同时也深化了对 GCN 模型效用与针对潜在隐私攻击的鲁棒性之间权衡的理解。
引用
@article{arxiv.2108.06504,
title = {LinkTeller: Recovering Private Edges from Graph Neural Networks via Influence Analysis},
author = {Fan Wu and Yunhui Long and Ce Zhang and Bo Li},
journal= {arXiv preprint arXiv:2108.06504},
year = {2021}
}