LLM 增强图神经网络隐私风险审计研究

一项系统审计发现，LLM 增强的 GNN 虽带来性能提升，但在所评估攻击下比浅层文本表示基线表现出更高的经验性隐私脆弱性。该研究覆盖 10 个文本属性图数据集、6 种隐私攻击、42 种 LLM 增强 GNN 配置及 3 个较新的语言模型骨干，并分析其嵌入空间中链路、标签与成员关系信号更易被推理攻击利用。研究还评估了代表性防御措施的效果。