Sep, 2022

带混合差分隐私保证的跨网络社交用户嵌入

PDF
TL;DR提出一个跨网络社交用户嵌入框架 DP-CroSUE，以隐私保护的方式学习用户的全面表示，并在三个真实数据集上展示对用户兴趣预测任务的显著改进和防御嵌入式用户属性推断攻击。
online social networksuser privacyuser embeddingsdifferential privacyuser interest prediction
发现论文，激发创造
  • 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

  • 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

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 属性社交网络嵌入

    本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架，在节点分类和链接预测任务上均实现了显著的性能提升，比如在链接预测任务上相比 node2vec 提高了 8.2%。

    May, 2017

  • 面向差分隐私的顺序推荐：一种噪声图神经网络方法

    本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN)，通过噪声图神经网络方法实现差分隐私保护，解决了现有差分隐私推荐系统在顺序推荐中的局限性，能够保护依赖性互动并同时捕捉用户偏好，在隐私和准确性之间取得更好的平衡。

    Sep, 2023

  • 跨平台锚定链接预测的多层图卷积网络

    本文提出了一种基于多层图卷积的新框架，以解决现有方法在跨平台账户匹配方面存在的数据不足问题，并能够处理大规模社交网络。

    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

  • 个性化社交推荐 - 更准确还是更私密？

    本文研究了基于社交网络的个性化推荐 —— 社交推荐算法在保护隐私的同时对推荐准确度的影响，并量化了算法的效用损失。研究表明，只有在隐私参数比较宽松的情况下或为社交网络中的一小部分用户提供可行的好的私密社交推荐。

    May, 2011

  • 隐私信息分类：一种混合方法

    本研究旨在提出和开发混合隐私分类方法，以检测和分类 OSNs 中的隐私信息，并采用深度学习模型和基于本体论的模型进行隐私相关信息提取，实验结果表明该混合方法可有效帮助在线社交网络用户防范隐私泄漏。

    Jan, 2021

  • 使用用户级差分隐私学习生成图像嵌入

    本文提出一种名为 DP-FedEmb 的联邦学习算法改进版本，用于训练大规模图像到嵌入特征提取器模型，包含虚拟客户端、部分聚合、私有本地微调和公共预训练等技术，能在相同的隐私预算下实现强隐私效用平衡，并且在 DigiFace、EMNIST、GLD 和 iNaturalist 数据集上展示了其卓越的效用性能。

    Nov, 2022