本研究提出了一种新颖的自动校准成员推断攻击框架（ACMIA），旨在解决现有方法的高假阳性率和对参考模型的依赖问题。通过调节温度，ACMIA有效校准输出概率，增强了成员推断的可靠性和鲁棒性。

本文探讨了图神经网络（GNN）的多种攻击方式，包括模型盗窃、链路窃取和成员推断攻击，揭示了GNN的隐私漏洞。研究表明，攻击者可以通过模型输出推断私密连接，并提出了有效的防御方法，强调了保护GNN隐私的重要性。