본 논문은 Vertical Graph Federated Learning (VGFL)의 취약점을 공격하는 새로운 그래프 적대적 공격 방법인 VGFL-SA를 제안합니다. 기존의 VGFL 공격 방법들은 레이블 정보에 의존하지만, VGFL 환경에서는 클라이언트 노드가 레이블되지 않은 경우가 많다는 한계가 있습니다. VGFL-SA는 레이블 없이 클라이언트의 지역 구조를 수정하여 VGFL의 성능을 저하시킵니다. 구체적으로, 대조 학습 방법을 사용하여 지역 클라이언트 훈련 전에 공격을 완료합니다. 노드 차수 기반 에지 증강 및 특징 셔플링 증강을 통해 대조적인 뷰를 생성하고, 공유 그래프 인코더를 사용하여 각 뷰의 임베딩을 얻습니다. 대조 함수를 통해 인접 행렬의 기울기를 얻고, 기울기 수정 규칙을 사용하여 섭동된 에지를 생성합니다. 실제 데이터셋을 이용한 노드 분류 작업을 통해 VGFL-SA의 효과와 전이성을 검증했습니다.
