AdvSGM：基于对抗性Skip-gram模型的差分隐私图学习
机器学习
2025-03-28 v1 密码学与安全
摘要
Skip-gram模型（SGM）采用神经网络生成节点向量，作为众多流行图嵌入技术的基础。然而，由于训练数据集包含敏感的链接信息，发布的SGM参数可能编码私有信息并构成重大的隐私风险。差分隐私（DP）是保护数据分析中个体隐私的严格标准。然而，当将差分隐私应用于图上的Skip-gram时，由于复杂的链接关系，这可能导致高灵敏度并需要大量噪声注入。这一挑战使得我们提出了AdvSGM，通过对抗训练实现图的差分隐私Skip-gram。我们的核心思想是利用对抗训练对Skip-gram进行隐私保护，同时提高其效用。为此，我们开发了新的对抗训练模块，通过构思两个可优化的噪声项来对应Skip-gram的参数。通过微调AdvSGM中模块之间的权重，我们可以在不额外注入噪声的情况下实现差分隐私梯度更新。大量实验结果表明，在六个真实世界图数据集上，AdvSGM在不同下游任务中保持高数据效用。
引用
@article{arxiv.2503.21426,
title = {AdvSGM: Differentially Private Graph Learning via Adversarial Skip-gram Model},
author = {Sen Zhang and Qingqing Ye and Haibo Hu and Jianliang Xu},
journal= {arXiv preprint arXiv:2503.21426},
year = {2025}
}
备注
Accepted by ICDE 2025