通过解释为图神经网络添加水印以实现所有权保护
密码学与安全
2026-05-12 v2 人工智能
摘要
图神经网络（GNNs）在工业界被广泛部署，使其知识产权极具价值。然而，保护GNNs免受未经授权的使用仍是一项挑战。水印技术通过将所有权信息嵌入模型提供了一种解决方案。现有水印方法存在两个局限性：首先，它们很少关注图数据或GNNs。其次，事实上的基于后门的方法依赖于操纵训练数据，这可能会通过误分类引入所有权歧义，并容易受到数据投毒攻击，从而可能中断后门机制。我们基于解释的水印继承了基于后门方法的优势（如黑盒验证）而无需数据操纵，消除了所有权歧义和数据依赖性。具体而言，我们对GNN解释添加水印，使得这些解释在统计上与其他解释不同，因此所有权声明必须通过统计显著性来验证。我们在理论上证明，即使完全了解我们的方法，定位水印也是NP-hard的。在经验上，我们的方法展示了对微调和剪枝攻击的鲁棒性。通过应对这些挑战，我们的方法显著推进了GNN知识产权保护。
引用
@article{arxiv.2501.05614,
title = {Watermarking Graph Neural Networks via Explanations for Ownership Protection},
author = {Jane Downer and Yingdan Shi and Ziyan Liu and Ren Wang and Binghui Wang},
journal= {arXiv preprint arXiv:2501.05614},
year = {2026}
}