Dec, 2023

隐私保护的神经图数据库

PDF
TL;DR在大数据和迅速发展的信息系统时代，高效准确的数据检索变得越来越重要。神经图数据库（NGDBs）是结合了图数据库（graph DBs）和神经网络的优势，实现了图结构数据的高效存储、检索和分析的强大范式。然而，这种能力是伴随着潜在的隐私风险的，本研究提出了一种保护隐私的神经图数据库（P-NGDB）来减轻 NGDBs 中的隐私泄露风险，通过引入对抗训练技术，强制 NGDBs 在查询私人信息时生成难以辨别的回答，从而增加通过多个无害查询组合推断敏感信息的难度。实验证明，P-NGDB 能够在图数据库中有效保护私人信息，同时对查询提供高质量的公共回答。
neural graph databasesdata retrievalprivacy protectionadversarial training techniquesgraph-structured data
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

  • 神经图推理：复杂的逻辑查询与图数据库相遇

    本文综述了复杂逻辑查询应答（CLQA）的最新技术，提出了神经图数据库（NGDB）的概念，介绍了其与传统图数据库的不同之处，并探讨了其未来的研究方向。

    Mar, 2023

  • 图神经网络隐私调查：攻击、保护和应用

    研究论文总结了在图数据上攻击的目标信息，分类了 GNN 中的隐私保护技术，并回顾了可用于分析 / 解决 GNN 隐私问题的数据集和应用，为未来的研究提出了潜在方向，以构建更好的隐私保护 GNN。

    Aug, 2023

  • 对抗隐私保护图嵌入抵御推理攻击

    本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型，它是一种图形对抗训练框架，可以学习来自图形结构数据的低维特征表征，并保护用户隐私信息，从而在解决节点分类和链接预测等任务时具有优越性能。

    Aug, 2020

  • 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

  • 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

  • LPGNet: 链接隐私图网络用于节点分类

    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。

    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

  • 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

  • 神经网络医疗人口图中的隐私 - 效用权衡：差分隐私和图结构的洞见

    通过在真实和合成数据集上不同隐私水平下进行隐私 - 效用权衡和通过成员推断攻击进行审计，从医疗领域的人口图中启动对不同 ially 静态图神经网络的经验调查。我们的发现强调了此特定 DP 应用领域的潜力和挑战。此外，我们通过显示图同质度的程度与训练模型准确度之间的相关性，发现底层图结构构成更大性能差距的潜在因素。

    Jul, 2023