面向图神经网络的基于提示的统一推理攻击

图神经网络（GNN）凭借其在图数据上的强大学习能力，为社交行为分析和金融风险分析等应用提供了重要的前景。然而，GNN的预测性能依赖于任务特定节点的标签质量，因此通常通过预训练来提升模型在下游决策任务中的泛化能力。图提示是一种明智的选择，但若不采取防范数据泄露的措施，则可能存在风险。也就是说，在高风险决策场景中，提示学习可通过访问在私人数据上训练的模型参数（即在预训练中发布模型参数，而不直接泄露原始数据，这种做法在隐喻中被默许接受）来推断私人信息。然而，众多图推理攻击需要针对监督信号的差异性进行定制化模块设计和处理以提升推理能力。本文提出了一种 novel 的基于提示的统一图神经网络推理攻击框架，命名为ProIA。具体而言，ProIA在预训练过程中保留图的关键拓扑信息，增强了推理攻击模型的背景知识。随后，它利用统一提示并在下游攻击中引入额外的解耦因子，以适应任务相关的知识。最终，通过大量实验表明，ProIA提升了攻击能力，并在各种推理攻击中展现出显著的适应性。