NetFense：针对图数据神经网络隐私攻击的对抗防御
机器学习
2021-06-23 v1 密码学与安全
社会与信息网络
摘要
近期在保护图数据节点隐私与攻击图神经网络（GNNs）方面的进展备受关注。但目前尚未将这两项关键任务结合起来。设想一个对手可以利用强大的 GNNs 来推断社交网络中用户的私有标签。我们如何在对扰动图保持效用的同时，对抗此类隐私攻击？在这项工作中，我们提出了一种新颖的研究任务，即针对基于 GNN 的隐私攻击的对抗防御，并给出一种基于图扰动的方法 NetFense 来实现该目标。NetFense 能同时保持图数据的不可察觉性（即对图结构做有限改动）、维持目标标签分类的预测置信度（即保留数据效用），并降低私有标签分类的预测置信度（即保护节点隐私）。在三个真实图数据上进行的单目标与多目标扰动实验表明，NetFense 扰动后的图能有效维持目标标签分类的数据效用（即模型不可察觉性），并显著降低私有标签分类的预测置信度（即隐私保护）。大量研究还带来了若干见解，例如 NetFense 的灵活性、在数据不可察觉性中保持局部邻域，以及对高度数节点更好的隐私保护。
引用
@article{arxiv.2106.11865,
title = {NetFense: Adversarial Defenses against Privacy Attacks on Neural Networks for Graph Data},
author = {I-Chung Hsieh and Cheng-Te Li},
journal= {arXiv preprint arXiv:2106.11865},
year = {2021}
}
备注
Accepted to IEEE TKDE 2021. Code is available at https://github.com/ICHproject/NetFense/