Apr, 2023

ProGAP: 具有差分隐私保证的渐进式图神经网络

PDF
TL;DR本文提出了一种名为 ProGAP 的新型差分隐私图神经网络，通过逐步训练的方法改善了精度和隐私之间的权衡，并使用聚合扰动技术确保差分隐私，证明了 ProGAP 在训练和推断阶段均能保证边界和节点级的隐私保证，实验结果证明 ProGAP 比现有的市场领先的差分隐私图神经网络能够实现高达 5％-10％的更高准确性。
graph neural networksdifferential privacyprogapprogressive trainingnode embeddings
发现论文，激发创造
  • 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

  • 差分隐私图神经网络与重要性细粒化噪音适应

    提出了一种基于自适应差分隐私的节点重要性粒度隐私保护图神经网络算法 NAP-GNN，通过拓扑学方法估计未知节点重要性，并通过自适应私有聚合方法对邻域聚合进行扰动，实现了在多层卷积中进行节点级任务的图学习算法的隐私保障。理论分析和实验证明 NAP-GNN 在隐私和准确性之间取得了更好的平衡。

    Aug, 2023

  • 保护图神经网络中的节点隐私

    差分隐私在学习表格、图像和序列数据等地方应用广泛，但在图神经网络中的节点级隐私方面仍面临挑战。本研究提出了一个解决节点级隐私问题的方案，包括异泊松采样和使用对称多元拉普拉斯噪声的随机化程序。实验证明该方案在高隐私条件下表现出显著优势，并经过隐私审计技术的验证。此外，本文还对某方法的节点级隐私保护进行了研究，发现其存在基本隐私缺陷，并证明了实现（强）隐私和（可接受的）效用是不可能的。

    Nov, 2023

  • 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

  • GraphPub: 高可用性的差分隐私图生成

    通过图发布者机制，我们提出了一种新颖的图边保护框架 (GraphPub)，既可以保护图拓扑结构，又能基本不改变数据的可用性，通过逆向学习和编码 - 解码机制，搜索一些对节点特征聚合没有太大负面影响的假边，并使用它们替换一些真实边，从而实现对图数据的发布，难以区分真假数据，实验证明我们的框架在隐私预算极低的情况下实现了接近原始图的模型准确性。

    Feb, 2024

  • 图神经网络中的局部差分隐私：一种重建方法

    我们提出了一个基于图神经网络的学习框架，该框架可以在用户层面提供节点隐私，并且在损失效用性方面表现较低。我们使用分布式隐私保护的概念，并在节点水平对特征和标签数据应用随机化机制，在数据被中央服务器收集用于模型训练之前进行扰动。通过随机化数据的统计分析中的频率估计，我们开发了重构方法来逼近扰动数据的特征和标签。我们还形成了利用图聚类的频率估计来在子图层面监督训练过程的学习框架。在真实数据集和半合成数据集上进行了大量实验，证明了我们提出模型的有效性。

    Sep, 2023

  • 上下文感知生成对抗隐私

    引入一种新的基于生成式对抗网络（GANs）的上下文感知隐私框架 (GAP)，GAP 通过让数据持有者从数据集中学习隐私化策略，绕过了常见的挑战，即在提供可证明的隐私保护的同时保留数据集的实用性，具有很高的实用性并且能够应用在缺乏数据统计信息的情况下。

    Oct, 2017

  • 使用随机游走采样训练差分隐私图神经网络

    研究深度学习模型在保护隐私方面的挑战，尤其是在图形结构数据上应用差分隐私随机梯度下降来防止训练数据泄漏。这篇论文提出通过在给定训练图的不相交子图上训练图神经网络来解决这个问题，并且进行了大量实验来验证方法的有效性。

    Jan, 2023

  • 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

  • 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