本文探讨了三种针对图嵌入的攻击方法：成员推理攻击、图重建攻击和属性推理攻击。通过黑盒和白盒场景进行实验，发现置信度攻击在识别成员身份上更准确。在白盒设置中，敌人可以通过中间层模型输出重建图。同时，攻击者使用编码器-解码器结构尝试从图嵌入中恢复敏感属性或整个图。实验在cora、citeseer、pubmed数据集上进行，使用图卷积网络作为模型架构。
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）
- 成员推理攻击（深度学习）
- 图重建攻击（深度学习）
- 属性推理攻击（随机游走）
成员推理攻击
黑盒设置中有两种
- 影子模型攻击：利用数据分布的辅助知识
- 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，
给定不同训练和测试数据点的标量值，是用K-means聚类将节点聚为两类（成员和非成员）
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
