面向会员推理攻击的多域图预训练模型隐私审计
机器学习
2025-11-25 v1 人工智能
密码学与安全
摘要
多域图预训练已成为开发图基模型的关键技术。虽然它大幅提升了图神经网络的泛化能力，但在会员推理攻击（Membership Inference Attacks, MIA）下的隐私风险尚未得到充分探讨——这些攻击旨在识别特定实例是否用于训练（即是否为成员）。然而，对多域图预训练模型进行MIA存在显著挑战：(i)增强的泛化能力：多域预训练减少了MIA常依赖的过拟合特征；(ii)不可代表的影子数据集：多样化的训练图阻碍获取可靠影子图；(iii)削弱的会员信号：基于嵌入的输出相较于logits提供更少信息性线索。为此，我们提出MGP-MIA（Multi-domain Graph Pre-training Membership Inference Attack）框架。具体而言，我们首次提出会员信号放大机制，通过机器遗忘放大目标模型的过拟合特征。随后，我们设计递增式影子模型构建机制，通过递增学习构建可靠影子模型。最后，我们引入基于相似度的推理机制，基于正负样本的相似度识别成员。大量实验表明，我们的MGP-MIA方法有效，揭示了多域图预训练的隐私风险。
引用
@article{arxiv.2511.17989,
title = {Privacy Auditing of Multi-domain Graph Pre-trained Model under Membership Inference Attacks},
author = {Jiayi Luo and Qingyun Sun and Yuecen Wei and Haonan Yuan and Xingcheng Fu and Jianxin Li},
journal= {arXiv preprint arXiv:2511.17989},
year = {2025}
}
备注
Accepted by AAAI 2026(Oral)