Jan, 2021

面向属性推断攻击的图嵌入推荐

PDF
TL;DR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。
发现论文，激发创造
  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020

  • 使用对抗图卷积网络提升社交推荐

    本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

    Apr, 2020

  • 去中心化图神经网络的隐私保护推荐

    本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

    Aug, 2023

  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 图神经网络的黑盒属性推断攻击是否构成隐私风险？

    本研究调查了对图结构数据及其相应的图神经网络模型的黑盒属性推理攻击是否构成重要的隐私风险，并发现当攻击者具有对目标模型的黑盒访问权限时，与缺失值估计技术相比，GNNs 通常不会显着透露更多信息。

    Jun, 2023

  • 使用对抗学习进行隐私感知的私有属性保护推荐

    本文提出了一种名为 “RAP” 模型，使得在推荐系统中保护用户隐私属性的同时，能够为其推荐相关物品，通过对对抗学习问题的建模，对私有属性推断攻击进行反制，同时基于贝叶斯个性化推荐算法调节推荐过程，并在实验证明保持了推荐质量并保护了用户免受私有属性推断攻击。

    Nov, 2019

  • 对抗隐私保护图嵌入抵御推理攻击

    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。

    Aug, 2020

  • 反推攻击图神经网络模型

    该论文对 GNNs 进行了系统研究，提出了 GraphMI 方法用于推断私有训练数据中的离散边缘，建议更有效的隐私防御措施。

    Sep, 2022

  • 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