본 논문은 그래프 분류 작업에서 그래프 신경망(GNN)의 멤버십 추론 공격(MIA) 취약성을 다룹니다. 기존 MIA는 예측 확률 벡터에 의존하지만, 예측 레이블만 사용 가능할 때는 효과적이지 않습니다. 본 논문에서는 그래프 수준 레이블 전용 멤버십 추론 공격(GLO-MIA)을 제안합니다. GLO-MIA는 학습 데이터에 대한 대상 모델의 예측이 테스트 데이터에 대한 예측보다 더 안정적이라는 직관에 기반합니다. 효과적인 특징에 섭동을 추가하여 대상 그래프에 대한 섭동 그래프 집합을 생성하고, 대상 모델에 섭동 그래프를 질의하여 예측 레이블을 얻습니다. 이 레이블을 사용하여 대상 그래프의 강건성 점수를 계산하고, 미리 정의된 임계값과 비교하여 대상 그래프의 멤버십을 높은 확률로 추론합니다. 세 개의 데이터셋과 네 개의 GNN 모델에 대한 평가 결과, GLO-MIA는 최대 0.825의 공격 정확도를 달성하여 기존 방식보다 8.5% 향상되었고, 예측 레이블만 사용하더라도 확률 기반 MIA의 성능에 근접합니다.
