基于马尔可夫链近似的图重构攻击的增强与防御
机器学习
2023-06-16 v1 密码学与安全
摘要
尽管强大的图神经网络(GNNs)已推动了众多现实应用,其潜在隐私风险仍未被充分探索。为弥补此不足,我们对旨在重构节点邻接关系的图重构攻击进行了首个全面研究。我们表明GNNs中一系列因素可导致私有链接的惊人泄露。尤其通过将GNNs视为马尔可夫链并经由灵活的链近似攻击GNNs,我们系统探究了图重构攻击的内在原理,并提出两种信息论引导的机制:(1)具有自适应设计以提取更多私有信息的基于链的攻击方法;(2)以适度精度损失大幅降低攻击保真度的基于链的防御方法。这两项目标揭示了一个关键认知:要在攻击中更好恢复,必须从训练好的GNN中提取更多多方面知识;而要在防御中更安全学习,必须在训练GNN时遗忘更多链接敏感信息。在六个数据集与三种常见GNN上的实证中,我们取得了最先进的结果。代码公开于:https://github.com/tmlr-group/MC-GRA。
引用
@article{arxiv.2306.09104,
title = {On Strengthening and Defending Graph Reconstruction Attack with Markov Chain Approximation},
author = {Zhanke Zhou and Chenyu Zhou and Xuan Li and Jiangchao Yao and Quanming Yao and Bo Han},
journal= {arXiv preprint arXiv:2306.09104},
year = {2023}
}
备注
Accepted by ICML 2023