超越同质性：迈向针对 GNN 的广义图重构攻击与防御

研究者提出针对图神经网络的广义图重构攻击 MC-GRA(+) 与配套防御 MC-GPB(+)，研究从训练好的 GNN 还原训练图邻接结构的模型反演风险。论文系统刻画了邻接结构何时、为何可经由特征、标签、嵌入和预测被恢复，泄露程度受图的同质性、异质性和模型归纳偏置调制；攻击方法以马尔可夫链近似视角看待 GNN 推理，逐层优化代理邻接使其诱导表示与目标模型对齐，防御方法则在整条表示链上抑制依赖邻接的信息，以在隐私与效用间权衡。在同质与异质图基准和多种 GNN 上的实验显示，攻击的重构保真度优于此前方法，防御能降低重构成功率且仅带来较小精度损失。