ReconXF：基于私有化节点特征与标签的公开特征解释的图重构攻击

图神经网络(GNN)在许多应用中取得了高性能，但其功能类似于黑盒模型，限制了它们在医疗保健和刑事司法等关键领域的使用。可解释性方法通过提供识别用于预测的重要节点属性的特征级解释来解决这一问题。这些解释带来了隐私风险。结合辅助信息，特征解释可以使对手重构图结构，暴露敏感关系。现有的图重构攻击假设可以访问原始辅助数据，但实际系统使用差分隐私来保护节点特征和标签，同时提供解释以保持透明度。我们研究了一种威胁模型，其中对手访问公开的特征解释以及私有化的节点特征和标签。我们表明，由于差分隐私机制产生的噪声，现有的基于解释的攻击（如 GSEF）在处理私有化数据时表现不佳。我们提出了 ReconXF，一种针对具有公开解释和私有化辅助数据场景的图重构攻击。我们的方法通过引入处理差分隐私噪声的去噪机制，同时利用解释中的结构信号，来适应基于解释的框架。跨多个数据集的实验表明，ReconXF 在私有化设置下优于 SoTA 方法，在 AUC 和平均精度方面均有提升。结果表明，即使辅助数据受到隐私保护，结合去噪的公开解释也能实现图结构恢复。代码可在（链接将在接受后公开）获取。