图神经网络上的成员推断攻击
机器学习
2021-12-21 v3 密码学与安全
摘要
图神经网络（GNNs）将传统深度神经网络推广至图数据，已在多项图分析任务上取得最先进性能。我们关注训练好的GNN模型如何泄露其训练所依据的\emph{成员}节点信息。我们引入两种在GNN上实施成员推断（MI）攻击的现实设置。在选用利用训练模型后验（黑盒访问）的最简攻击模型的同时，我们深入分析GNN与数据集的特性，这些特性决定了它们对MI攻击鲁棒性的差异。传统机器学习模型中过拟合被视为此类泄露主因，而我们表明在GNN中额外的结构信息才是主要因素。我们在四个代表性GNN模型上的大量实验支持了上述发现。为防御GNN上的MI攻击，我们提出两种有效防御手段，在不降低目标模型性能的前提下将攻击者的推断率显著降低达60%。我们的代码见 https://github.com/iyempissy/rebMIGraph。
引用
@article{arxiv.2101.06570,
title = {Membership Inference Attack on Graph Neural Networks},
author = {Iyiola E. Olatunji and Wolfgang Nejdl and Megha Khosla},
journal= {arXiv preprint arXiv:2101.06570},
year = {2021}
}
备注
Best student paper award, IEEE TPS 21