针对同构与异构图神经网络的模型逆向攻击
机器学习
2023-10-17 v1 计算机视觉与模式识别
摘要
近来，图神经网络（GNNs），包括同构图神经网络（HomoGNNs）与异构图神经网络（HeteGNNs），已在诸多物理场景尤其是通信应用中取得显著进展。尽管取得巨大成功，此类模型的隐私问题也受到相当关注。先前研究表明，给定拟合良好的目标 GNN，攻击者可通过模型逆向攻击重建该模型的敏感训练图，给 AI 服务提供商带来显著隐私担忧。我们认为该漏洞源自目标 GNN 本身及关于真实世界图中共享属性的先验知识。受此启发，我们提出一种针对 HomoGNNs 与 HeteGNNs 的新颖模型逆向攻击方法，即 HomoGMI 与 HeteGMI。具体而言，HomoGMI 与 HeteGMI 是基于梯度下降的优化方法，旨在最大化目标 GNN 上的交叉熵损失以及重建图上的一阶与二阶邻近性。值得注意的是，据我们所知，HeteGMI 是首个针对 HeteGNNs 执行模型逆向攻击的尝试。在多个基准上的大量实验表明，所提方法可比竞争方法取得更优性能。
引用
@article{arxiv.2310.09800,
title = {Model Inversion Attacks on Homogeneous and Heterogeneous Graph Neural Networks},
author = {Renyang Liu and Wei Zhou and Jinhong Zhang and Xiaoyuan Liu and Peiyuan Si and Haoran Li},
journal= {arXiv preprint arXiv:2310.09800},
year = {2023}
}