谁拥有这个样本：联邦图神经网络中的跨客户端成员推断攻击
机器学习
2025-07-29 v1
摘要
图结构数据在包括社交网络、金融系统和分子生物学在内的许多实际应用中普遍存在。图神经网络（GNN）因其强大的表示能力，已成为从这类数据中学习的实际标准。随着GNN越来越多地部署在联邦学习（FL）环境中以保护数据局部性和隐私，图结构与分散式训练之间的相互作用引发了新的隐私威胁。在本文中，我们首次系统性地研究了针对联邦GNN（FedGNN）节点分类任务的跨客户端成员推断攻击（CC-MIA），其中恶意客户端旨在推断给定数据属于哪个客户端。与先前侧重于集中式的工作（关注样本是否包含在训练中）不同，我们的攻击目标是样本到客户端的归属，这是联邦设置中特有的一种更细粒度的隐私风险。我们设计了一个通用的攻击框架，利用FedGNN的聚合行为、梯度更新和嵌入邻近性，在多个训练轮次中将样本与其源客户端关联起来。我们在多个图数据集上，在现实的FL设置下评估了我们的攻击。结果表明，我们的方法在成员推断和所有权识别方面均取得了高性能。我们的发现揭示了联邦图学习中一种新的隐私威胁——通过结构和模型级线索泄露客户端身份，这激发了对归属鲁棒性GNN设计的需求。
引用
@article{arxiv.2507.19964,
title = {Who Owns This Sample: Cross-Client Membership Inference Attack in Federated Graph Neural Networks},
author = {Kunhao Li and Di Wu and Jun Bai and Jing Xu and Lei Yang and Ziyi Zhang and Yiliao Song and Wencheng Yang and Taotao Cai and Yan Li},
journal= {arXiv preprint arXiv:2507.19964},
year = {2025}
}