针对无监督图表示学习的链接成员推断攻击

基于摘要分析。本文研究无监督图表示学习（UGRL）生成的节点嵌入是否会泄露原图中的连接关系，提出两种链接成员推断攻击（LMIA），并设计通过扰动嵌入中最不重要维度实现的防御机制。主要研究对象是图表示共享中的结构隐私，而非 EEG 解码或 BCI 算法。 UGRL 将图映射为低维嵌入，供公开发布或第三方下游分析使用。攻击者利用节点嵌入的性质及不同形式的先验知识，推断目标图中任意两个节点是否相连。摘要未提供两种攻击的具体实现、所需监督信息或攻击者知识边界，因此尚不能判断其部署门槛及适用威胁模型。 作者报告，在五个真实图数据集上的四种 UGRL 模型中，两种攻击均表现出有效性，并分析了嵌入保留结构信息的程度如何影响攻击表现。作者还报告，所提出的维度扰动防御在防御有效性与嵌入质量之间取得了较好的平衡。摘要未列出模型与数据集名称、数据划分、攻击指标或数值；实验协议、消融及统计信息尚未验证。复现需核对维度重要性的定义、扰动方式与强度、攻击知识条件，以及嵌入质量的评估任务。 平台推测（待验证）：若 EEG 功能连接图被编码为节点嵌入并对外共享，可假设其保留的连接信息也可能被类似攻击恢复；可复用的是节点对推断与嵌入扰动的评估思路，需改造的是脑区或通道节点定义、连续连接权重及边阈值。EEG 的低信噪比、跨被试与通道差异、小数据规模可能使连接估计及攻击训练不稳定；恢复某条边也不等于泄露临床或身份信息。一个可检验的小实验是在固定建图协议、按被试隔离训练与测试的条件下，比较原始与扰动嵌入的边推断表现及下游任务效用。已有 EEG 相关工作尚未检索确认。