保护图神经网络免受拓扑推断攻击
机器学习
2025-11-12 v3 密码学与安全
摘要
图神经网络（GNN）已成为从图结构数据中学习的强大模型。然而，其广泛采用引发了严重的隐私担忧。虽然先前研究主要关注边级隐私，但对图整体结构保密性的拓扑隐私风险尚未得到充分探讨。本文对GNN中的拓扑隐私风险进行了全面研究，揭示了其对图级推断攻击的高度脆弱性。为此，我们提出了一套拓扑推断攻击（Topology Inference Attacks, TIAs），这些攻击仅通过对GNN模型的黑盒访问即可重建目标训练图的结构。我们的发现表明，GNN对这些攻击高度敏感，现有的边级差分隐私机制要么未能缓解风险，要么严重损害模型准确性。为解决这一挑战，我们引入了私有图重建（Private Graph Reconstruction, PGR）——一种新型防御框架，旨在保护拓扑隐私同时维持模型准确性。PGR以双层优化问题形式求解，合成训练图通过元梯度迭代生成，而GNN模型则基于不断演化的图进行更新。大量实验表明，PGR显著降低了拓扑泄露，同时对模型准确性影响最小。我们的代码已公开于https://github.com/JeffffffFu/PGR。
引用
@article{arxiv.2509.05429,
title = {Safeguarding Graph Neural Networks against Topology Inference Attacks},
author = {Jie Fu and Yuan Hong and Zhili Chen and Wendy Hui Wang},
journal= {arXiv preprint arXiv:2509.05429},
year = {2025}
}
备注
Acctepted by ACM CCS'25