Jun, 2024

GENIE：用于链接预测的图神经网络水印技术

PDF
TL;DR使用一种名为 GENIE 的水印方案针对图形神经网络（GNN）的链接预测任务进行了研究，该方案在多个模型架构和真实世界数据集上进行了广泛评估，并证明了抵御多种水印去除技术和模型提取攻击的鲁棒性，同时还经过了所有权盗版攻击的验证。
graph neural networkswatermarking schemelink prediction taskgenieownership piracy attack
发现论文，激发创造
  • PreGIP: 图神经网络的预训练水印技术，用于深度知识产权保护

    为了保护知识产权并保持嵌入空间的高质量，本文提出了一种名为 PreGIP 的框架，通过在预训练的 GNN 编码器中引入无需任务的水印损失函数进行水印标记，并采用抗微调的水印注入方法，理论分析和广泛实验表明了 PreGIP 在知识产权保护和维持下游任务高性能方面的有效性。

    Feb, 2024

  • 监督式 GAN 数字水印技术的知识产权保护

    本文提出了一种基于 CNN 解码块插入生成器输出的数字水印算法，对生成对抗网络模型进行加密和保护。实验结果表明，该算法可将无形水印嵌入生成的图像，并在后期进行身份验证时检测到水印的存在，并且在 JPEG 压缩、添加噪声、模糊和颜色转换等后处理下，水印具有良好的抗干扰能力。

    Sep, 2022

  • 从图神经网络中窃取链接

    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

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 通过隐形水印保护语言生成模型

    提出 GINSEW 方法以保护文本生成模型免受窃取，通过在目标令牌的解码步骤的概率向量中注入秘密信号，并在疑犯模型中检测秘密信息，GINSEW 可以有效地识别知识产权侵权的实例，表现出比之前的方法对抗去除水印攻击有 19 至 29 点的平均精度提升。

    Feb, 2023

  • 基于图神经网络的链路预测任务的后门攻击

    本文介绍了一种基于图神经网络的链接预测任务中的后门攻击方法，并揭示了 GNN 模型中存在的安全漏洞，当触发器出现时，后门将被嵌入 GNN 模型中，导致模型错误地预测未连接的两个节点之间存在链接关系。

    Jan, 2024

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 利用图神经网络估计知识图谱中节点的重要性

    本文提出一种名为 GENI 的基于图神经网络的方法，聚合节点的重要性得分来预测知识图谱中节点的重要性，该方法在预测真实世界中各种特性的知识图谱中节点的重要性方面，比现有最先进方法的 NDCG@100 高出 5-17%。

    May, 2019

  • 使用子图草图的图神经网络进行链接预测

    提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY，前者通过哈希传递子图草图以近似 SGNN 中的关键组件，后者使用特征预计算来规避 GPU 内存限制，而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型

    Sep, 2022

  • 深度神经网络的隐秘稳健白盒水印技术 RIGA

    本研究提出了一种使用对抗训练的新型白盒数字水印算法 ——RIGA，通过实验表明，该算法在不影响准确性的情况下，显著提高了水印的隐蔽性和鲁棒性，可应用于深度神经网络的水印技术中。

    Oct, 2019