图神经网络能否揭示训练数据特性？一种高效的风险评估方法

研究了图神经网络（GNN）的成员推理攻击，发现结构信息是主要泄漏原因。

提出了两种有效的防御方法，能够将攻击者的推理准确率降低60%。

分析了图嵌入的隐私泄露风险，提出了三种推断攻击及其防御机制。

扩展了成员推断攻击至整个图记录，实施了基于训练和基于阈值的两种攻击类型。

对GNN的隐私、鲁棒性、公平性和可解释性进行了全面调查，提供了发展框架和方法论。

提出了GraphMI方法用于推断私有训练数据中的离散边缘，建议更有效的隐私防御措施。

总结了GNN中的隐私保护技术，回顾了相关数据集和应用，为未来研究提供方向。

研究了黑盒GNN模型访问下的边缘隐私，揭示了适应性对手的攻击方式。

系统回顾了GNN模型，重点关注不平衡、噪声、隐私和超出分布的挑战，提出未来研究方向。

介绍了一种新方法针对归纳式GNN的无监督模型窃取攻击，评估结果显示其效率更高。