基于后门攻击的图神经网络水印方法
机器学习
2022-11-15 v5 密码学与安全
摘要
图神经网络（GNNs）在各种现实应用中取得了令人瞩目的性能。构建一个强大的 GNN 模型并非易事，因为它需要大量训练数据、强大的计算资源以及微调模型的人类专业知识。此外，随着对抗攻击（例如模型窃取攻击）的发展，GNNs 对模型认证提出了挑战。为避免 GNNs 的版权侵权，验证 GNN 模型的所有权是必要的。本文提出了一种面向图和节点分类任务的 GNN 水印框架。我们 1）为图分类任务设计两种生成水印数据的策略，为节点分类任务设计一种，2）通过训练将水印嵌入宿主模型以获得带水印的 GNN 模型，3）在黑盒设定下验证可疑模型的所有权。实验表明，我们的框架对两类任务均以极高概率（高达 ）验证 GNN 模型的所有权。最后，我们通过实验表明我们的水印方法对一种最先进的模型提取技术和四种最先进的防御后门攻击的方法具有鲁棒性。
引用
@article{arxiv.2110.11024,
title = {Watermarking Graph Neural Networks based on Backdoor Attacks},
author = {Jing Xu and Stefanos Koffas and Oguzhan Ersoy and Stjepan Picek},
journal= {arXiv preprint arXiv:2110.11024},
year = {2022}
}
备注
18 pages, 9 figures