Aug, 2023

差分隐私图神经网络与重要性细粒化噪音适应

PDF
TL;DR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。
graph neural networksdifferential privacyimportance-grained privacyadaptive differential privacynap-gnn
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

  • ProGAP: 具有差分隐私保证的渐进式图神经网络

    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。

    Apr, 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

  • 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

  • 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

  • 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

  • 隐私保护节点分类的纵向联邦图神经网络

    本文提出了基于联邦学习的 VFGNN 框架，用于解决图数据中的隐私节点分类任务，在保留数据隐私的同时获得了良好的效果。

    May, 2020

  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • 针对图神经网络的更实用的对抗性攻击

    研究黑盒攻击图神经网络中节点选择的问题，发现通过基于 PageRank 的重要度计算可提高分类误差率，提出一种基于贪心算法的修正方法能有效地解决被攻击节点数量与分类误差率之间的矛盾。

    Jun, 2020

  • 揭示 GNN 上双隐私保护中消息传递的作用

    通过理论分析和模拟仿真，我们发现图神经网络中的结构偏差传播导致了隐私泄露问题，基于这些发现，我们提出了一个双重隐私保护框架，该框架有效地保护了节点和链接隐私，同时在节点分类等下游任务中保持高效用。

    Aug, 2023