本文介绍了一种隐秘而有效的攻击方法，通过推断图结构数据中的私有连接，暴露了图神经网络（GNNs）中的隐私漏洞。我们研究了在归纳设置中，新节点加入图并使用 API 查询预测时，私有边缘信息的潜在泄露。我们还提出了在维持模型效用的同时保护隐私的方法。相比于目前的技术水平，我们的攻击在推断连接方面表现出卓越性能。此外，我们研究了将差分隐私（DP）机制应用于减轻我们提出的攻击带来影响的可行性，分析了隐私保护和模型效用之间的权衡。我们的工作强调了 GNNs 固有的隐私漏洞，凸显了开发强大的隐私保护机制在其应用中的重要性。

Jul, 2023

该论文研究了对抗者拥有黑盒图神经网络模型访问权限的情景下的边缘隐私，通过分析与节点相连的节点的输出来推断节点之间的联系，揭示了即使在具有访问控制机制的系统中，一个适应性对手仍然可以破译节点之间的私密连接，从而揭示潜在敏感关系并损害图的机密性。

Nov, 2023

使用基于链路局部差分隐私的分散节点训练图神经网络，在保障用户隐私的前提下实现高准确性的图拓扑恢复。

Sep, 2023

本研究提出了针对图神经网络的链路窃取攻击，并介绍了三个维度的威胁模型以及八种链路窃取攻击方法。在八个真实数据集上的实验表明，攻击是有效的，并揭示了 GNN 模型输出关于训练图结构的丰富信息，证明了在黑盒条件下，一些私密数据可以被窃取。

May, 2020

本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。

Jun, 2020

图神经网络（GNNs）在从图结构化数据中学习表示方面发挥关键作用，并已被证明在许多应用中非常有用。本文研究了一个攻击者试图从训练的 GNN 模型中恢复私有边信息的情况。我们提出了一种新的隐私保护 GNN 训练算法 Eclipse，通过奇异值分解（SVD）以低秩格式对图进行训练，从而保持了良好的模型效用并提供了强大的隐私保护。实验证明，Eclipse 相比现有的隐私保护 GNN 训练方法在隐私效用权衡方面取得了显著的改进，并且对常见边攻击具有更好的鲁棒性。

Mar, 2024

通过理论分析和模拟仿真，我们发现图神经网络中的结构偏差传播导致了隐私泄露问题，基于这些发现，我们提出了一个双重隐私保护框架，该框架有效地保护了节点和链接隐私，同时在节点分类等下游任务中保持高效用。

Aug, 2023

本研究提出了一种基于影响力的逃避攻击方法，用于攻击多层图神经网络，不需要知道其具体参数，在性能相当的情况下有 5-50 倍的速度提升。

Sep, 2020

本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

May, 2020

该论文提出了一种名为 GERAI 的新型差分隐私图卷积网络，它结合了差分隐私的信息扰动机制和图卷积网络的推荐功能，采用本地差分隐私和函数机制，创新性地设计了一个双阶段加密范式，可同时对用户的敏感特征和模型优化过程进行隐私保护，并在抵御属性推断攻击和推荐有效性方面具有优越性。

Jan, 2021