May, 2022

LPGNet: 链接隐私图网络用于节点分类

PDF
TL;DR本文提出了一种新的神经网络架构 LPGNet，用于处理带有隐私敏感边缘的图形。该网络通过巧妙地设计边缘结构的使用方式，在训练中提供差分隐私（DP）保证，并在多个数据集中进行了实证研究，表现出了较好的实用性和隐私安全性。
graph-structured dataneural networksdifferential privacylpgnetlink-stealing attacks
发现论文，激发创造
  • 文本分类的隐私保护图卷积神经网络

    本研究介绍了一种基于差分隐私的方法来保护敏感数据隐私，使得基于图结构的文本学习可以在保证隐私的同时具有较高的准确性。

    Feb, 2021

  • 局部隐私图神经网络

    本文研究了节点数据隐私的问题，并提出了一种基于局部差分隐私的 GNN 学习算法和一个名为 KProp 的简单图卷积层作为降噪机制，实验表明该方法在低隐私损失的同时可以保持令人满意的准确性。

    Jun, 2020

  • 带链接差分隐私的安全深度图生成

    本研究提出使用差分隐私的方法保护网络结构数据的隐私，通过注入适当的噪音以保证边隐私，改善结构学习，同时提高结构导向图的鉴别度，提高数据效用和保护个体链接隐私。通过在两个现实世界网络数据集上进行的广泛实验表明，我们的 DP-GGAN 模型能够有效地保护个体链接隐私并生成具有全局结构的图形数据。

    May, 2020

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 节点注入链接窃取攻击

    本文介绍了一种隐秘而有效的攻击方法，通过推断图结构数据中的私有连接，暴露了图神经网络（GNNs）中的隐私漏洞。我们研究了在归纳设置中，新节点加入图并使用 API 查询预测时，私有边缘信息的潜在泄露。我们还提出了在维持模型效用的同时保护隐私的方法。相比于目前的技术水平，我们的攻击在推断连接方面表现出卓越性能。此外，我们研究了将差分隐私（DP）机制应用于减轻我们提出的攻击带来影响的可行性，分析了隐私保护和模型效用之间的权衡。我们的工作强调了 GNNs 固有的隐私漏洞，凸显了开发强大的隐私保护机制在其应用中的重要性。

    Jul, 2023

  • 通过影响分析从图神经网络中恢复私有边

    本研究研究了在具有垂直数据分割（即不同的数据持有者具有节点特征或边缘信息）的场景下，如何通过使用图神经网络和差分隐私技术来保护边界隐私以进行联合训练，其结论表明，现有的机制往往存在泄漏隐私的风险。

    Aug, 2021

  • EdgeNets: 边缘变化的图神经网络

    本文提出 EdgeNet 框架，将现有的图卷积神经网络（GCNNs）和图注意力网络（GATs）统一起来，使得同一问题可以使用不同的 GNN 结构来解决，并且指导和优化各种 GNNs 的性能和实现。

    Jan, 2020

  • 多粒度拓扑保护的差分隐私解耦图卷积

    该研究提出了面向图形学习设置的新型 Differential Privacy (DP) 方法框架 Graph Differential Privacy (GDP)，并介绍了 Differentially Private Decoupled Graph Convolution (DPDGC) 模型，以实现对网状结构的隐私保护和优良的预测精度，进而在七个节点分类基准数据集上展示了其优异的隐私 - 实用性权衡。

    Jul, 2023

  • Blink: 基于贝叶斯估计的图神经网络中的链路局部差分隐私

    使用基于链路局部差分隐私的分散节点训练图神经网络，在保障用户隐私的前提下实现高准确性的图拓扑恢复。

    Sep, 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