BlindSage: Label Inference Attacks against Node-level Vertical Federated Graph Neural Networks

解决问题：本篇论文旨在探究纵向联邦图神经网络中标签推断攻击的问题，提出了一种零背景知识策略的攻击方案，并使用Graph Neural Networks作为目标模型，通过节点分类任务进行实验验证。

关键思路：本文提出的攻击方案BlindSage，使用了零背景知识的策略，通过对节点分类任务的攻击，实现对VFL模型中标签信息的推断。相比于当前领域的研究，本文的思路在于针对VFL模型中标签信息的推断攻击进行了深入研究，并提出了一种有效的攻击方案。

其他亮点：本文的实验结果表明，BlindSage攻击在大多数情况下能够达到近乎100%的准确度，即使攻击者没有任何关于模型体系结构或类别数量的信息，准确度也能保持在85%以上。此外，本文还发现目前已知的防御措施不能有效缓解该攻击，而不影响主要分类任务的模型性能。本文的工作为VFL模型中标签信息推断攻击提供了新的解决思路，值得进一步深入研究。

关于作者：本文的主要作者包括Marco Arazzi、Mauro Conti、Stefanos Koffas等人，他们来自意大利的研究机构和大学。Marco Arazzi曾在多个国际会议上发表过有关网络安全和隐私保护的论文，Mauro Conti则曾在IEEE Transactions on Dependable and Secure Computing等期刊上发表过多篇有关网络安全和隐私保护的论文。

相关研究：近期其他相关的研究包括：

  1. "Federated Learning with Matched Averaging"，作者为Peter Kairouz等人，来自美国的研究机构和大学；
  2. "Privacy-Preserving Federated Learning with Byzantine Robust Aggregation"，作者为Xiaoyang Wang等人，来自新加坡南洋理工大学；
  3. "Privacy-Preserving Collaborative Machine Learning: An Overview"，作者为Jian Liu等人，来自中国的研究机构和大学。

论文摘要：本文研究了纵向联邦图神经网络中的标签推断攻击。联邦学习通过保持参与者的原始数据私有，实现机器学习模型的协作训练，旨在提高模型的隐私性、安全性和可扩展性。纵向联邦学习（VFL）提供了一个高效的跨数据源设置，其中少数参与方在不共享相同特征的情况下协作训练模型。在这种情况下，分类标签通常被认为是仅由一个（活动）方拥有的敏感信息，而其他（被动）方仅使用其本地信息。最近的研究揭示了VFL的重要缺陷，可能导致在攻击者具有某些，即使是有限的，标签和数据之间关系的背景知识的假设下进行标签推断攻击。本文是第一个（据我们所知）使用零背景知识策略研究VFL上的标签推断攻击。为了具体制定我们的提案，我们以图神经网络（GNNs）作为潜在的VFL目标模型。特别是，我们关注广泛研究的节点分类任务，GNNs已经显示出有希望的结果。我们提出的攻击，BlindSage，在实验中提供了令人印象深刻的结果，在大多数情况下实现了近100％的准确性。即使攻击者没有关于使用的架构或类别数量的信息，准确性在大多数情况下仍保持在85％以上。最后，我们观察到众所周知的防御措施不能缓解我们的攻击，而不影响主要分类任务上模型的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除