不可学习的图形：保护图形不受未授权利用

Mar, 2023

不可学习的图形：保护图形不受未授权利用

Unlearnable Graph: Protecting Graphs from Unauthorized Exploitation

Yixin Liu, Chenrui Fan, Pan Zhou, Lichao Sun

TL;DR本文提出一种新方法通过使用 Error-Minimizing Structural Poisoning (EMinS) 模块向图中注入干扰噪声，从而使图形变得不可探测，以解决商业图形神经网络 (GNN) 模型训练中的潜在数据隐私问题，并在 COLLAB 数据集上将准确性从 77.33% 降低到 42.47%。

Abstract

While the use of graph-structured data in various fields is becoming increasingly popular, it also raises concerns about the potential unauthorized exploitation of personal data for training commercial graph neural netw

graph-structured data graph neural network privacy unlearnable graph examples error-minimizing structural poisoning

发现论文，激发创造

不可学习的样本：使个人数据无法被利用

本文提出了一种错误最小化的噪声类型，可以防止深度学习模型从个人数据中学习，这种噪声对人眼不可见，可以应用于面部识别等实际场景，并在样本和类别形式下取得了实证效果，从而对防止数据滥用奠定了重要基础。

Jan, 2021

GraphGuard：图神经网络中检测和对抗训练数据滥用

GraphGuard 是一个无需训练数据的方法，通过使用具有电离辐射特性的数据进行成员推断，提高成员和非成员数据分布的可区分性，从而在不依赖原始数据的情况下检测并通过有针对性的遗忘来减轻图数据滥用的影响。

Dec, 2023

认证图形遗忘

本文提出了第一个已知的图形神经网络认证卸载框架，涉及节点、边缘和节点特征等三种不同类型的卸载请求，致力于在保证性能的情况下解决基准数据集中的复杂卸载问题并优于不利用图形信息的卸载方法。

Jun, 2022

强韧的不可学习样本：保护数据抵御对抗学习攻击

通过引入具有鲁棒性的噪声，设计了一种新的方法来生成稳健的不可学习样本，以缓解数据被未经授权地用于深度学习模型培训的风险，并且实验证明稳健的比起常规误差最小化噪声更加有效。

Mar, 2022

图 MU：通过机器取消学习来修复图神经网络的鲁棒性

通过引入图神经网络的模型修复方法 GraphMU，可以在无需完全重训练的情况下，通过精调被攻击的 GNN 以遗忘对抗样本，从而修复被攻击 GNN 的鲁棒性并恢复性能。

Jun, 2024

图神经网络抵抗注入攻击的鲁棒性转移

该研究致力于探索清洗图形对提高图神经网络抵御毒化攻击的潜力。提出了一种基于惩罚聚合机制的方法（PA-GNN），该方法通过使用清洗图形和其毒化对应物来训练图神经网络来惩罚干扰项，从而提高了图神经网络对于图形污染攻击的鲁棒性。

Aug, 2019

非线性转换对抗无法学习的数据集

我们研究和设计了一个有效的非线性转换框架，并进行了广泛实验以证明深度神经网络可以有效地学习以往被认为是无法学习的数据 / 示例，从而提高了打破无法学习数据的能力，显示出比线性可分技术更好的性能，进一步指出现有的数据保护方法在防止未经授权的机器学习模型使用数据方面是不充分的，迫切需要开发更强大的保护机制。

Jun, 2024

博弈论非学习样本生成器

从博弈论的角度研究无法学习的样本攻击，将其形式化为非零和斯塔克尔伯格博弈，证明了博弈均衡存在并提出了一种新的攻击方法，该方法可以有效地毒害模型并适用于各种场景。

Jan, 2024

重新思考针对深度神经网络的数据可用性攻击

本文介绍了一种优化方法，可提高可用性攻击方法的效果，减少计算时间要求，以解决商业目的的个人数据的非授权使用和私人数据的暗地收集，同时避免了当前许多攻击方法被对抗性训练所削弱的问题。

May, 2023

图形遗忘：一项综述

通过系统地回顾图解学习的方法，本综述论文旨在增进对新加入该领域的研究人员的理解，与差分隐私建立关联，探索其在不同领域的应用，以增强数据隐私和增强人工智能系统的鲁棒性，并鼓励进一步研究和创新，从而推动图解学习领域的发展。

Aug, 2023