审计 LLM 增强型图神经网络中的隐私风险

arXiv:2608.25727v2 公告类型：替换 摘要：近年来，大型语言模型（LLM）通过利用语义信息丰富节点表示，推动了图神经网络（GNN）的发展，催生出 LLM 增强型 GNN，并取得了显著的性能提升。然而，这种语义增强如何影响隐私风险，仍在很大程度上缺乏研究。为弥合这一空白，我们通过一个由五个阶段组成的统一框架，系统审计 LLM 增强型 GNN 的隐私风险：（1）数据集准备；（2）受害者模型训练；（3）隐私攻击；（4）风险评估；（5）防御分析。具体而言，我们的评估涵盖来自不同领域的十个文本属性图数据集、六种隐私攻击、42 种 LLM 增强型 GNN 配置，以及三个较新的语言模型骨干。大量实验表明，尽管 LLM 增强型 GNN 提升了实用性，但在所评估的多种模型和数据集上，面对这些攻击时，其实际隐私脆弱性始终高于浅层文本表示基线。进一步分析显示，LLM 增强型表示在嵌入空间中呈现出更加明显的链接、标签和成员关系相关信号，使其更易被推断攻击利用。最后，我们评估了具有代表性的防御方法，并考察了它们缓解这些隐私风险的有效性。总体而言，本工作系统审计了 LLM 增强型 GNN 中的隐私风险，并为开发更安全、更可信的图学习系统提供了见解。