基于随机图的水印图神经网络方法
密码学与安全
2023-01-18 v2 机器学习
多媒体
摘要
许多学习任务要求我们处理包含元素间丰富关系信息的图数据,这导致越来越多的图神经网络(GNN)模型被部署于工业产品中以提升服务质量。然而,它们也给模型认证带来了挑战。保护 GNN 模型的所有权十分必要,这促使我们在本文中提出一种面向 GNN 模型的水印方法。在所提方法中,随机生成一个具有随机节点特征向量与标签的 Erdos-Renyi (ER) 随机图作为触发器,与正常样本一起训练待保护的 GNN。在模型训练期间,秘密水印被嵌入到 ER 图节点的标签预测中。在模型验证期间,通过使用触发器 ER 图激活被标记的 GNN,可从输出中重建水印以验证所有权。由于 ER 图是随机生成的,将其输入未标记的 GNN 时,图节点的标签预测是随机的,从而带来较低的误报率(就所提工作而言)。实验结果还表明,被标记 GNN 在其原始任务上的性能不会受损。此外,它对模型压缩与微调具有鲁棒性,展现了优越性与适用性。
引用
@article{arxiv.2011.00512,
title = {Watermarking Graph Neural Networks by Random Graphs},
author = {Xiangyu Zhao and Hanzhou Wu and Xinpeng Zhang},
journal= {arXiv preprint arXiv:2011.00512},
year = {2023}
}
备注
https://hzwu.github.io/