Aug, 2020

对抗隐私保护图嵌入抵御推理攻击

PDF
TL;DR本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。
internet of thingsgraph embeddingprivacyadversarial traininggraph datasets
发现论文，激发创造
  • 图嵌入中隐私泄漏的量化

    本文首次通过三种推理攻击来量化图嵌入中的隐私泄漏，同时提出了对应的攻击策略，包括成员推理攻击、图重构攻击和属性推理攻击，并表明图嵌入与节点属性存在强相关性，让攻击者能够推断敏感信息。

    Oct, 2020

  • 针对图神经网络的推理攻击

    本文讨论了图嵌入在隐私方面存在的泄露风险，提出了三种推断攻击，并基于图嵌入扰动提出了有效的防御机制来减轻这些攻击的影响。

    Oct, 2021

  • 独立分布正则化用于私密图嵌入

    通过引入独立分布惩罚作为正则化项，我们提出了一种名为私有变分图自编码器（PVGAE）的新方法，特别地，我们通过使用两组编码器来学习敏感和非敏感潜在表示，同时引入了一种新的正则化方法来强制编码器的独立性，实验证明 PVGAE 在私有嵌入学习方面优于其他基线，并在效用性能和隐私保护方面取得了成功。

    Aug, 2023

  • 本地差别隐私图嵌入

    本研究提出了一种名为 LDP-GE 的隐私保护图嵌入框架，通过局部差分隐私机制对节点数据进行模糊处理，并采用个性化 PageRank 作为节点表示的相似度度量，理论分析和实验证明 LDP-GE 在节点分类和链接预测任务中具有良好的隐私和效用平衡，并显著优于现有方法。

    Oct, 2023

  • 基于联邦知识图嵌入的隐私威胁量化和防御

    本文提出了一种新的 KWG 联邦学习模型：DP-Flames，结合了实体 - 绑定稀疏梯度属性和最先进的隐私选择技术，其提供更好的隐私 - 实用性权衡，并通过提出的三种新的推理攻击来定量和针对 FKGE 中的隐私威胁进行综合评估。

    Apr, 2023

  • 属性图嵌入的自适应图编码器

    提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

    Jul, 2020

  • 面向属性推断攻击的图嵌入推荐

    该论文提出了一种名为 GERAI 的新型差分隐私图卷积网络，它结合了差分隐私的信息扰动机制和图卷积网络的推荐功能，采用本地差分隐私和函数机制，创新性地设计了一个双阶段加密范式，可同时对用户的敏感特征和模型优化过程进行隐私保护，并在抵御属性推断攻击和推荐有效性方面具有优越性。

    Jan, 2021

  • 差分隐私联邦知识图谱嵌入

    本论文提出了一种名为 FKGE 的分散、可扩展、隐私保护的学习框架，可用于跨多个同一领域不同知识图谱的知识嵌入。在对 11 个不同的知识图谱进行广泛的实验后，本文表明 FKGE 的性能提高了，它的模型质量最多可增加 17.85％和 7.90％。

    May, 2021

  • 采用对抗训练方法学习图嵌入

    该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

    Jan, 2019

  • 大规模隐私保护网络嵌入：针对私有链路推断攻击

    本文提出了一种针对保护隐私的网络嵌入方法，使用干扰原始网络的方式来减少泄漏隐私链接的风险，并通过量化隐私增益和效用丢失来确定最佳干扰方案，以获得最优的隐私效用权衡。

    May, 2022