Buchumschlag

On Stealing Graph Neural Network Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Podhajski, Marcin, Dubiński, Jan, Boenisch, Franziska, Dziedzic, Adam, Pręgowska, Agnieszka, Michalak, Tomasz P.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient Model-Stealing Attacks Against Inductive Graph Neural Networks
von: Podhajski, Marcin, et al.
Veröffentlicht: (2024)

CDI: Copyrighted Data Identification in Diffusion Models
von: Dubiński, Jan, et al.
Veröffentlicht: (2024)

ADAGE: Active Defenses Against GNN Extraction
von: Xu, Jing, et al.
Veröffentlicht: (2025)

Differentially Private Prototypes for Imbalanced Transfer Learning
von: Wahdany, Dariush, et al.
Veröffentlicht: (2024)

On the Privacy Risk of In-context Learning
von: Duan, Haonan, et al.
Veröffentlicht: (2024)

Have it your way: Individualized Privacy Assignment for DP-SGD
von: Boenisch, Franziska, et al.
Veröffentlicht: (2023)

Open LLMs are Necessary for Current Private Adaptations and Outperform their Closed Alternatives
von: Hanke, Vincent, et al.
Veröffentlicht: (2024)

Differentially Private Federated Learning With Time-Adaptive Privacy Spending
von: Kiani, Shahrzad, et al.
Veröffentlicht: (2025)

Stealing Training Graphs from Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Link Stealing Attacks Against Inductive Graph Neural Networks
von: Wu, Yixin, et al.
Veröffentlicht: (2024)

DM4Steal: Diffusion Model For Link Stealing Attack On Graph Neural Networks
von: Chen, Jinyin, et al.
Veröffentlicht: (2024)

Adversarial Attacks and Defenses on Graph-aware Large Language Models (LLMs)
von: Olatunji, Iyiola E., et al.
Veröffentlicht: (2025)

Privacy Attacks on Image AutoRegressive Models
von: Kowalczuk, Antoni, et al.
Veröffentlicht: (2025)

Radioactive Watermarks in Diffusion and Autoregressive Image Generative Models
von: Meintz, Michel, et al.
Veröffentlicht: (2025)

Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity
von: Zhu, Zhihao, et al.
Veröffentlicht: (2023)

GRID: Protecting Training Graph from Link Stealing Attacks on GNN Models
von: Lou, Jiadong, et al.
Veröffentlicht: (2025)

GraphIP-Bench: How Hard Is It to Steal a Graph Neural Network, and Can We Stop It?
von: Zhao, Kaixiang, et al.
Veröffentlicht: (2026)

Evaluating Efficacy of Model Stealing Attacks and Defenses on Quantum Neural Networks
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

Personalized Differential Privacy for Ridge Regression
von: Acharya, Krishna, et al.
Veröffentlicht: (2024)

Stealix: Model Stealing via Prompt Evolution
von: Zhuang, Zhixiong, et al.
Veröffentlicht: (2025)

Large Language Models for Link Stealing Attacks Against Graph Neural Networks
von: Guan, Faqian, et al.
Veröffentlicht: (2024)

Privacy Backdoors: Stealing Data with Corrupted Pretrained Models
von: Feng, Shanglun, et al.
Veröffentlicht: (2024)

Augment then Smooth: Reconciling Differential Privacy with Certified Robustness
von: Wu, Jiapeng, et al.
Veröffentlicht: (2023)

Memorization in Graph Neural Networks
von: Jamadandi, Adarsh, et al.
Veröffentlicht: (2025)

Adversarial Robustness of Link Sign Prediction in Signed Graphs
von: Zhou, Jialong, et al.
Veröffentlicht: (2024)

Prompt Stealing Attacks Against Text-to-Image Generation Models
von: Shen, Xinyue, et al.
Veröffentlicht: (2023)

Controlled privacy leakage propagation throughout overlapping grouped learning
von: Kiani, Shahrzad, et al.
Veröffentlicht: (2025)

Transpose Attack: Stealing Datasets with Bidirectional Training
von: Amit, Guy, et al.
Veröffentlicht: (2023)

QuantumLeak: Stealing Quantum Neural Networks from Cloud-based NISQ Machines
von: Fu, Zhenxiao, et al.
Veröffentlicht: (2024)

Backdoor Vectors: a Task Arithmetic View on Backdoor Attacks and Defenses
von: Pawlak, Stanisław, et al.
Veröffentlicht: (2025)

Watermark Stealing in Large Language Models
von: Jovanović, Nikola, et al.
Veröffentlicht: (2024)

Model-Guardian: Protecting against Data-Free Model Stealing Using Gradient Representations and Deceptive Predictions
von: Yang, Yunfei, et al.
Veröffentlicht: (2025)

Stealthy Imitation: Reward-guided Environment-free Policy Stealing
von: Zhuang, Zhixiong, et al.
Veröffentlicht: (2024)

Efficient LLM Moderation with Multi-Layer Latent Prototypes
von: Chrabąszcz, Maciej, et al.
Veröffentlicht: (2025)

LLM Dataset Inference: Did you train on my dataset?
von: Maini, Pratyush, et al.
Veröffentlicht: (2024)

I Stolenly Swear That I Am Up to (No) Good: Design and Evaluation of Model Stealing Attacks
von: Oliynyk, Daryna, et al.
Veröffentlicht: (2025)

Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers
von: Dubiński, Jan, et al.
Veröffentlicht: (2026)

TrEEStealer: Stealing Decision Trees via Enclave Side Channels
von: Sander, Jonas, et al.
Veröffentlicht: (2026)

Stealing the Invisible: Unveiling Pre-Trained CNN Models through Adversarial Examples and Timing Side-Channels
von: Shukla, Shubhi, et al.
Veröffentlicht: (2024)

On the Adversarial Robustness of Graph Neural Networks with Graph Reduction
von: Wu, Kerui, et al.
Veröffentlicht: (2024)