本地差别隐私图嵌入

Oct, 2023

Locally Differentially Private Graph Embedding

Zening Li, Rong-Hua Li, Meihao Liao, Fusheng Jin, Guoren Wang

TL;DR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。

Abstract

graph embedding has been demonstrated to be a powerful tool for learning latent representations for nodes in a graph. However, despite its superior performance in various graph-based machine learning tasks, learning over graphs can raise significant privacy concerns when graph data inv

graph embedding privacy-preserving local differential privacy ldp-ge framework node classification

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

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

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

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

面向差分隐私的文本表示

该研究开发了一个基于非受信任服务器设置的深度学习框架，包括三个模块：嵌入模块、随机化模块和分类器模块，并提出了一种新的本地差分隐私协议，以减小隐私参数 epsilon 对准确性的影响，提高随机化概率的灵活性。分析和实验表明，该框架可提供与非隐私框架和现有 LDP 协议相当甚至更好的性能，展示了该 LDP 协议的优势。

Jun, 2020

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

本地差分隐私：教程

本文针对 LDP 算法在隐私、统计计算和大数据等领域的应用，介绍了不同 LDP 算法在本地程序用户隐私保护、重要数据识别和空间数据收集等问题上的实现并探讨了其未来发展方向。

Jul, 2019

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

从私有化数据中训练生成模型

本文提出了一种基于局部差分隐私的生成对抗网络训练方法，通过熵正则化 Wasserstein 距离的组合使用来降噪数据分布，有效地缓解了正则化偏差和隐私噪声效应。

Jun, 2023

针对层次感知图嵌入的 Poincaré 差分隐私

提出了一种名为 PoinDP 的 Poincaré 差分隐私框架，用于基于双曲几何的层次感知图嵌入的保护，通过学习双曲空间中的层次权重和自适应分配隐私保护强度来解决现有隐私保护框架在层次传播中保护能力不足的问题，实现了在节点分类任务上既能有效保护隐私又能保持良好性能的优势。

Dec, 2023