通过单纯形神经网络上的图重构攻击度量隐私泄露（学生摘要）
机器学习
2023-02-10 v1 密码学与安全
摘要
在本文中，我们通过研究图表示是否可以被反转以通过图重构攻击（GRA）恢复用于生成它们的图，来度量隐私泄露。我们提出了一种GRA，它通过一个图解码器从表示中恢复图的邻接矩阵，该解码器最小化部分图与重构图之间的重构损失。我们研究了在图上训练的三种表示，即图卷积网络（GCN）、图注意力网络（GAT）以及我们提出的通过高阶组合拉普拉斯算子的单纯形神经网络（SNN）输出的表示。与前两种仅编码成对关系的表示不同，第三种表示（即SNN输出）编码了节点间的高阶交互（例如同调特征）。我们发现SNN输出展现出最低的防御GRA的隐私保护能力，其次是GAT和GCN的表示，这表明构建能够防御潜在威胁（如GRA）的具有高阶节点信息的更私有表示的重要性。
引用
@article{arxiv.2302.04373,
title = {Measuring the Privacy Leakage via Graph Reconstruction Attacks on Simplicial Neural Networks (Student Abstract)},
author = {Huixin Zhan and Kun Zhang and Keyi Lu and Victor S. Sheng},
journal= {arXiv preprint arXiv:2302.04373},
year = {2023}
}
备注
Accepted at AAAI 2023