基于差分隐私的对抗签名图学习

带有正负边的签名图可建模社交网络中的复杂关系。基于平衡理论推导多跳节点对边缘符号的签名图学习可生成保留结构和符号信息的节点嵌入。然而，在敏感签名图上进行训练引发重大的隐私关注，因为模型参数可能泄露私有链接信息。现有差分隐私保护方法通常依赖边缘或梯度扰动，针对非签名图进行保护。然而，这些方法不适用于签名图，主要原因是边缘扰动会在平衡理论下导致边缘符号推断出现级联误差，而梯度扰动由于节点相互依赖和因符号翻转导致的梯度极性变化而增加敏感性，导致更大噪声注入。本文灵感来源于对抗学习对噪声交互的鲁棒性，提出ASGL（Adversarial Signed Graph Learning），一种在保持高实用性的同时实现节点级差分隐私的隐私保护式签名图学习方法。我们首先根据边缘符号将签名图分解为正负子图，然后设计梯度扰动的对抗模块以逼近真实的签名连通性分布。特别是，梯度扰动有助于缓解级联误差，而子图分离有助于降低敏感性。进一步，我们构思受约束的广度优先搜索树策略，结合平衡理论以识别生成节点对之间的边缘符号。这一策略也实现了梯度解耦，从而有效降低梯度敏感性。大量实验表明，ASGL在多个下游任务中实现了有利的隐私-实用性权衡。