FedLSG: LLM-Enhanced Semantic Calibration for Federated Graph Backdoor Defense

📄 arXiv: 2607.19674v1 📥 PDF

作者: Chenyu Zhou, Yabin Peng, Wei Huang, Kunlin Li, Shuaishuai Zhang, Xinyuan Miao

分类: cs.CR, cs.AI, cs.LG

发布日期: 2026-07-22

💡 一句话要点

提出FedLSG以解决联邦图神经网络的后门攻击问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 联邦学习 图神经网络 后门攻击 大型语言模型 语义理解 防御机制 机器学习

📋 核心要点

  1. 现有的联邦图神经网络防御方法主要依赖规则基础，缺乏对语义的理解，导致对隐蔽后门攻击的防御效果不佳。
  2. FedLSG框架通过将大型语言模型引入联邦图后门防御，利用语义丰富的自然语言表示来增强防御能力。
  3. 实验结果显示，FedLSG在抵抗后门攻击方面显著优于现有方法，同时保持了图结构的完整性。

📝 摘要（中文）

联邦图神经网络（FedGNNs）在后门攻击中极为脆弱，现有的防御方法通常依赖于缺乏语义理解的规则基础方法，导致其对隐蔽触发器的防御能力不足，并可能对良性结构造成伤害。为了解决这一问题，本文提出了FedLSG，这是第一个将大型语言模型（LLMs）集成到联邦图后门防御中的框架。FedLSG引入了一种图与行为到文本的基础方案，将本地图结构和客户端更新行为转化为语义丰富的自然语言表示。该框架还采用了一种轻量级的师生架构，在服务器端，完整的LLM作为教师，提供全局上下文指导并在聚合过程中评估客户端更新，以识别潜在的恶意参与者。在客户端，基于LoRA的学生模型用于进行语义推理，以抑制与后门触发器相关的边的影响。通过对图模式和客户端行为的语义解释，该框架自适应地将基于规则的信号纳入消息传递和客户端聚合中进行防御。实验表明，FedLSG显著提高了对后门攻击的抵抗力，同时不损害图的完整性。

🔬 方法详解

问题定义：本文旨在解决联邦图神经网络在后门攻击中的脆弱性，现有方法由于缺乏语义理解，容易受到隐蔽触发器的影响，且可能对良性结构造成损害。

核心思路：FedLSG通过引入大型语言模型，利用其强大的语义理解能力，将图结构和客户端行为转化为自然语言，从而增强对后门攻击的防御能力。

技术框架：FedLSG采用师生架构，服务器端的完整LLM作为教师，提供全局上下文指导并评估客户端更新；客户端则使用LoRA-based学生模型进行语义推理，抑制后门触发器的影响。

关键创新：该框架的创新在于将大型语言模型与图神经网络防御相结合，实现了对图模式和客户端行为的语义解释，显著提升了防御效果。

关键设计：在设计中，采用了轻量级的LoRA模型作为学生，确保了计算效率；同时，教师模型在聚合过程中评估客户端更新，识别潜在的恶意参与者。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FedLSG在抵抗后门攻击方面显著优于现有的规则基础方法，具体表现为在多种攻击场景下，准确率提高了15%以上，同时保持了图的结构完整性。

🎯 应用场景

该研究的潜在应用领域包括安全敏感的图数据处理，如社交网络、金融交易和智能交通系统等。通过增强对后门攻击的防御能力，FedLSG能够保护这些系统的完整性和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Federated Graph Neural Networks (FedGNNs) are highly vulnerable to backdoor poisoning, yet existing defenses typically rely on rule-based approaches that lack semantic understanding, making them vulnerable to stealthy triggers and harmful to benign structures. To solve this, we present FedLSG, the first framework that integrates large language models (LLMs) into federated graph backdoor defense. FedLSG introduces a graph and behavior to text grounding scheme that transforms local graph structures and client update behaviors into semantically rich natural language representations. The framework further adopts a lightweight student-teacher architecture. On the server side, a full scale LLM serves as a teacher, providing global contextual guidance and evaluating client updates during aggregation to identify potentially malicious participants. On the client side, a LoRA-based student is maintained to perform semantic reasoning, to suppress the influence of edges associated with backdoor triggers. By enabling semantic interpretation of both graph patterns and client behaviors, the framework adaptively incorporates rule-based signals into message passing and client aggregation for defense. Experiments demonstrate that FedLSG significantly improves resistance to backdoor attacks without compromising graph integrity.