Quantifying Privacy Leakage in Graph Embedding

本文贡献

本文研究了三种攻击方式：（从黑盒和白盒角度进行分析）

1. 成员推理攻击（深度学习）
2. 图重建攻击（深度学习）
3. 属性推理攻击（随机游走）

成员推理攻击
黑盒设置中有两种

1. 影子模型攻击：利用数据分布的辅助知识
2. 置信度攻击：不使用数据分布的辅助知识

作者通过在cora、citeseer、pubmed上进行实验验证了置信度攻击方法比影子模型方法的准确度高
在白盒设置下，通过图嵌入来区分一个给定节点是否是训练图的一部分

图重建攻击：

给敌手一个子图的图嵌入，训练一个编码器-解码器来从图嵌入中得到整个图

属性推理攻击：

通过图嵌入来推断图上的敏感属性

成员推理攻击示意图：

白盒攻击：

敌手可以访问中间层的模型输出，敌手以无监督的方式训练一个编码器-解码器，将中间嵌入映射到单一成员值，