PulseAugur
中
实时 03:04:02
English(EN) Rethinking Generative Reconstruction Attacks against Graph Neural Network Models

新的攻击揭示了图神经网络的重大隐私风险

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了两种新的生成式重建攻击：图标签条件（GLC）攻击和嵌入标签条件（ELC）攻击，以探测图神经网络（GNNs）的隐私漏洞。这些攻击利用目标模型的预测和中间表示来重建敏感的图数据，表明攻击者可以在黑盒场景下生成高质量的图。该研究还引入了一种查询要求较低但性能依然强劲的变体，突显了GNNs在各种噪声尺度下都容易遭受隐私泄露。 AI

影响 强调了用于图数据分析的AI模型中潜在的隐私风险，需要对GNN安全性进行进一步研究。

排序理由 该集群包含一篇学术论文，详细介绍了针对图神经网络的新型隐私攻击研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的攻击揭示了图神经网络的重大隐私风险

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Adebayo Keji, Sayanton Dibbo ·

    Rethinking Generative Reconstruction Attacks against Graph Neural Network Models

    arXiv:2606.29748v1 Announce Type: new Abstract: The application of graph data in numerous disciplines raises the need for gathering and analyzing huge volumes of data, some of which is private and sensitive. The non-Euclidean nature of the graph data makes the analysis computatio…

相关话题