Jun, 2024

具有个性化 PageRank 应用的差分隐私图扩散

PDF
TL;DR本研究提出了一种新颖的图扩散框架，通过使用噪声扩散迭代对每条边提供不同的隐私保证，以保护图数据的隐私。通过引入 Laplace 噪声和基于度的阈值函数来减轻低度节点引起的高灵敏度。我们的隐私损失分析是基于迭代的隐私放大方法，并通过引入一种新颖的无穷 - 瓦砂均距追踪方法，进一步缩紧了隐私泄露的分析，使得迭代的隐私放大方法更适用于实践。将该框架应用于个性化 PageRank 计算的排名任务中，实验证明在严格的隐私条件下，我们的方法具有优势。
graph diffusionprivacylaplace noiseprivacy loss analysispersonalized pagerank computation
发现论文，激发创造
  • 适应性扩散实现可扩展的图学习

    本文介绍了一种基于数据的方法，用于学习适应底层网络拓扑特征的类特定扩散函数，从而改善扩散分类器的性能并提高分类准确性，超过了依赖于节点嵌入和深度神经网络的最先进方法。

    Apr, 2018

  • 标签差分隐私的反面：PATE 和 ALIBI

    本研究提出了两种新的隐私保护机制，分别基于 Laplace 机制和 PATE 框架，用标准基准测试表明其有效性；此外，本文也表明其算法隐私保护保障的理论分析与实证评估相结合，才能更好地评价其隐私保护性能。

    Jun, 2021

  • 迭代式隐私放大

    使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

    Aug, 2018

  • 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

  • 快速差分隐私矩阵分解

    提出了一种简单的算法来实现可证明偏差私有性以及良好性能的差异性私人协作过滤。通过差分隐私和贝叶斯后验采样的新型连接方式，该算法可有效实现。同时，通过精细的系统设计和利用数据的幂律行为最大化 CPU 缓存带宽，我们可以在单个 PC 上以 8.5 百万每秒的速率生成 1024 维模型实现推荐。

    May, 2015

  • 差分隐私的偏移插值

    这篇论文通过建立 “迭代的隐私放大” 现象的统一框架，改进了先前分析的方法，有效地量化了差分隐私算法的隐私泄露，并扩展到各种设置和概念中，进而在 strongly convex optimization 领域中实现了第一个精确的隐私分析。

    Mar, 2024

  • 差分隐私分布式估计与学习

    本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

    Jun, 2023

  • 差分隐私中拉普拉斯机制的最优性

    研究了在物联网高度互联且敏感信息交换的背景下，拉普拉斯机制和李普希兹隐私的应用，以及不同维度空间下不同范数的误差最小化机制。

    Mar, 2015

  • Rényi Pufferfish 隐私：一般性加性噪声机制及迭代的隐私增强

    Pufferfish 隐私是差分隐私的一种灵活泛化，允许对任意机密信息进行建模，并考虑到对手对数据的先前知识。我们引入了一种基于 Rényi 散度的 Pufferfish 变体，并展示它的应用拓展性。我们首先推广了 Wasserstein 机制，涵盖了各种噪声分布并提高了其效用。我们还对抗了对手的分布外攻击，并证明了压缩有噪声迭代的隐私放大结果，并展示了在私有凸优化中 Pufferfish 的第一个使用。我们的结果的一个公共要素是使用和扩展转移减少引理。

    Dec, 2023

  • 适应性拉普拉斯机制：深度学习中的差分隐私保护

    本文提出了一种新颖的机制来保护深度神经网络的差分隐私，其中包括对神经元的仿射变换、损失函数的扰动方法，并在特征与输出间加入更多 / 更少的噪声。理论分析和实验结果证明该机制相对于现有解决方案具有更高的有效性。

    Sep, 2017