GNN攻击实测：隐私泄露既看机制也看网络！
Empirical Auditing of Edge-Private Graph Generators
📖 AI 总结
该研究对边隐私图生成器进行了实证审计，核心方法是检验边相邻输入的输出是否仍可区分，并借助统计有效的隐私损失下界来量化攻击所观测到的泄露程度。研究框架围绕目标边周围的几何结构，对比了直接边攻击、局部结构攻击和基于图神经网络（GNN）的攻击三类方法。实验覆盖两种生成器和两种网络，结果显示隐私泄露既依赖于具体机制，也依赖于网络结构，且学习到的表示会暴露出传统局部统计量无法捕捉的信息。这项工作的重要意义在于，它表明仅靠局部统计指标不足以评估边隐私图生成器的实际隐私风险，基于学习的表示可能带来额外的泄露通道，为图数据隐私审计提供了更贴近攻击现实的评估视角。
🔑 关键词速览
| Edge-Private Graph Generators | 边隐私图生成器：一类在图数据发布时保护边存在性隐私的生成模型。 |
| Privacy Leakage | 隐私泄露：生成输出中暴露的关于输入敏感信息（如边是否存在）的程度。 |
| Edge-Neighbouring Inputs | 边相邻输入：仅相差一条边的两个图输入，用于定义边差分隐私。 |
| GNN-based Attacks | 基于图神经网络的攻击：利用GNN学习图表示来推断隐私信息的攻击方法。 |
| Local-Structural Attacks | 局部结构攻击：利用目标边周围局部子图结构特征进行隐私推断的攻击。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅