Oct, 2021

Graph-Fraudster：基于图神经网络的纵向联邦学习的对抗性攻击

PDF
TL;DR本文提出了基于 GVFL 框架的新型攻击方法 Graph-Fraudster，并在五个基准数据集上进行了实验，结果表明该方法在攻击性能上具有最先进的水平，并提出了未来工作的一些建议以改善 GVFL 的稳健性。
graph neural networkvertical federated learningadversarial attacknode embeddingsdata privacy
发现论文，激发创造
  • 隐私保护节点分类的纵向联邦图神经网络

    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

  • 图神经网络的隐私保护设计及其在纵向联邦学习中的应用

    本文介绍了一种基于 VFL 框架的端到端 GRL 方法，称为 VESPER，它建立在一种通用的隐私保护方案（PMP）上，允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论，我们提出了针对稠密图和稀疏图的解决方案和改进方法。对公共数据集和行业数据集的大量实证评估表明，VESPER 能够在合理的隐私预算下训练高性能的 GNN 模型。

    Oct, 2023

  • 基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测

    在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

    Jan, 2024

  • BlindSage: 节点级纵向联邦图神经网络的标签推断攻击

    在本研究中，我们首次使用零背景知识策略对纵向联邦学习进行了标签推理攻击的调查，以图神经网络作为 VFL 的目标模型，在节点分类任务中提出了名为 BlindSage 的攻击方法，该方法在实验中取得了令人印象深刻的结果，并且即使攻击者没有关于架构或类别数量的任何信息，准确率在大多数情况下仍然保持在 85% 以上，同时观察到众所周知的防御措施无法在不影响主要分类任务的情况下减轻我们的攻击。

    Aug, 2023

  • 面向图卷积神经网络的垂直联邦学习框架

    本文提出 FedVGCN 算法，是一个隐私保护的节点分类任务的联邦学习范式，能够推广到现有的 GCN 模型，将计算图数据分成两部分，在同态加密下，双方交换中间结果进行训练，实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。

    Jun, 2021

  • VFLGAN: 基于垂直联合学习的生成对抗网络用于垂直分割数据发布

    基于垂直分割数据发布的纵向联邦学习生成对抗网络 (VFLGAN) 通过提供质量更好的合成数据，显著提高了生成对抗网络的效果，并利用高效有效的高斯机制为合成数据提供差分隐私保证，还在合成数据中应用会员推理攻击的实际审核方案评估隐私泄漏。

    Apr, 2024

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020

  • DefenseVGAE: 通过变分图自编码器防御图数据的对抗攻击

    本文提出了 DefenseVGAE 框架，利用变分图自编码器 (VGAEs) 重建图的结构来防御图神经网络 (GNNs) 在面对对抗性攻击时的鲁棒性，实验证明其在不同威胁模型下具有很强的有效性。

    Jun, 2020

  • 使用敌对嵌入攻击竖直联邦学习模型

    本研究探讨了垂直联邦学习的安全保障问题，针对现有垂直联邦学习框架中使用密码学技术提供数据隐私和安全保障的方式，提出了对模型安全性的进一步研究探讨。

    Dec, 2022

  • 图形上的对抗攻击与防御：一项综述，一项工具和实证研究

    该研究论文介绍 Deep Neural Networks 和 Graph Neural Networks 对抗攻击的脆弱性，提出了相关攻击和防御的借鉴，以及一个算法库用于研究对抗攻击和防御。

    Mar, 2020