Attaque d'inférence d'appartenance sur les réseaux de neurones graphiques

Les réseaux de neurones graphiques (GNN), qui généralisent les réseaux de neurones profonds traditionnels sur des données graphiques, ont réalisé des performances de pointe sur plusieurs tâches analytiques graphiques. Nous nous concentrons sur la manière dont les modèles GNN entraînés pourraient révéler des informations sur les nœuds membres sur lesquels ils ont été formés. Nous introduisons deux contextes réalistes pour réaliser une attaque d'inférence d'appartenance (MI) sur les GNN. Tout en choisissant le modèle d'attaque le plus simple possible qui utilise les postérieurs du modèle entraîné (accès en boîte noire), nous analysons en profondeur les propriétés des GNN et des ensembles de données qui dictent les différences dans leur robustesse face à l'attaque MI. Alors que dans les modèles d'apprentissage machine traditionnels, le surapprentissage est considéré comme la principale cause de telles fuites, nous montrons que dans les GNN, l'information structurelle supplémentaire est le facteur contributif majeur. Nous soutenons nos conclusions par des expériences étendues sur quatre modèles GNN représentatifs. Pour prévenir les attaques MI sur les GNN, nous proposons deux défenses efficaces qui réduisent considérablement l'inférence de l'attaquant de jusqu'à 60 % sans dégrader la performance du modèle cible. Notre code est disponible à https://github.com/iyempissy/rebMIGraph.