Defending against Model Extraction for GNNs with Model Reprogramming
Di cosa parla
Le reti neurali per grafi — modelli che imparano da dati fatti di nodi e collegamenti, come reti sociali o molecole — sono vulnerabili a furti chiamati "model extraction", in cui un avversario ricostruisce il modello interrogando un servizio online. Il lavoro propone GraphRP, una difesa proattiva che riprogramma il comportamento del modello in modo sensibile alla struttura del grafo: un filtro dinamico riconosce schemi topologici locali e modula le risposte, preservando il servizio per utenti legittimi e rendendo meno utili le risposte per chi tenta di clonare il modello, evitando gli approcci statici ideati per immagini.
Cosa permette di osservare
Puoi esplorare se ha più senso difendere servizi che lavorano su dati relazionali con misure dinamiche e attente alla topologia, invece di adattare strategie pensate per immagini, e come bilanciare protezione contro il furto e qualità per gli utenti normali.
Dalla fonte
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 defenses suffer from a critical ''Euclidean bias'': they transfer image-based strategies (e.g., random noise) to graphs, ignoring the complex topological dependencies between nodes, which often results in severe utility degradation. Passive methods like watermarking also fail to prevent theft in real time. To bridge this gap, we propose GraphRP (Graph Reprogramming Protection), a proactive defense framework that repurposes Model Reprogramming for security. Unlike static perturbations, GraphRP introduces a Structure-Aware Gating Mechanism driven by learnable topological prototypes. This creates a dynamic ''structu…