VGFL-SA：基于对比学习的纵向图联邦学习结构攻击
机器学习
2025-03-19 v2 人工智能
摘要
图神经网络（GNN）因其从图数据中学习表示的能力而受到关注。由于隐私问题和利益冲突使得客户端无法直接相互共享图数据，纵向图联邦学习（VGFL）框架应运而生。最近的研究表明，VGFL 容易受到降低性能的对抗攻击。然而，在 VGFL 领域中，客户端节点通常未标记是一个普遍问题。因此，现有的依赖于标签信息可用性来获取梯度的攻击，在适用性上存在固有限制。这一限制阻碍了它们在实际现实环境中的部署。为了解决上述问题，我们提出了一种针对 VGFL 的新型图对抗攻击，称为 VGFL-SA，它通过修改本地客户端结构且不使用标签来降低 VGFL 的性能。具体而言，VGFL-SA 使用对比学习方法在本地客户端被训练之前完成攻击。VGFL-SA 首先访问被投毒客户端的图结构和节点特征信息，并通过基于节点度的边增广和特征混洗增广生成对比视图。然后，VGFL-SA 使用共享图编码器获取每个视图的嵌入，并通过对比函数获取邻接矩阵的梯度。最后，使用梯度修改规则生成扰动边。我们通过在真实世界数据集上执行节点分类任务验证了 VGFL-SA 的性能，结果表明 VGFL-SA 实现了良好的攻击有效性和可迁移性。
引用
@article{arxiv.2502.16793,
title = {VGFL-SA: Vertical Graph Federated Learning Structure Attack Based on Contrastive Learning},
author = {Yang Chen and Bin Zhou},
journal= {arXiv preprint arXiv:2502.16793},
year = {2025}
}