PulseAugur
中
实时 11:52:20
English(EN) Defending against Model Extraction for GNNs with Model Reprogramming

新的防御框架 GraphRP 保护 GNN 免受模型提取攻击

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了 GraphRP，一个旨在保护图神经网络 (GNN) 免受模型提取攻击的新型防御框架。现有方法由于“欧氏偏差”而常常失效，该偏差未能考虑图拓扑结构，导致效用降低。GraphRP 采用一种结构感知门控机制来创建一个动态的“结构防火墙”，在阻止对手窃取模型知识产权的同时，保持合法查询的准确性。 AI

影响 这项研究引入了一种针对 GNN 模型提取攻击的新型防御方法，有望提高依赖基于图的模型的人工智能服务的安全性。

排序理由 该集群包含两篇相同的 arXiv 预印本，详细介绍了一篇关于 GNN 防御机制的新研究论文。

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的防御框架 GraphRP 保护 GNN 免受模型提取攻击

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Yan Wen, Zhenyi Wang, Heng Huang ·

    使用模型重编程防御 GNN 的模型提取攻击

    arXiv:2608.11495v1 Announce Type: new Abstract: Graph Neural Networks (GNNs) serve as the backbone for high-stakes applications in Machine-Learning-as-a-Service (MLaaS). Still, their black-box deployment exposes them to Model Extraction (ME) attacks, in which adversaries steal in…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Heng Huang ·

    使用模型重编程防御 GNN 的模型提取攻击

    Graph Neural Networks (GNNs) serve as the backbone for high-stakes applications in Machine-Learning-as-a-Service (MLaaS). Still, their black-box deployment exposes them to Model Extraction (ME) attacks, in which adversaries steal intellectual property by querying APIs. Existing d…

相关实体

相关话题