局部差分隐私下二分图的公共邻居估计
数据库
2025-02-05 v1
摘要
由两个顶点层构成的二分图是建模两组实体间关系的自然选择。在二分图中，计算同一顶点层上两个顶点的公共邻居是一个基本操作，在一般设置下易于求解。然而，这不可避免地会泄露顶点的邻居信息，给实际应用中的用户带来显著的隐私风险。为了保护二分图中的边隐私，本文研究了在边局部差分隐私（边 LDP）下估计同一层两个顶点公共邻居数量的问题。在边 LDP 的背景下，该问题具有挑战性，因为查询顶点对面层上的每个顶点都可能是一个公共邻居。为了获得高效且准确的估计，我们提出了一种多轮框架，该框架显著减少了公共邻居的候选池，并使查询顶点能够在本地构建无偏估计量。此外，我们通过整合来自两个查询顶点邻居构建的估计量来提高数据效用，并设计了隐私预算分配优化方案。这些改进增强了估计量的鲁棒性和一致性，特别是针对度数不平衡的查询顶点。在 15 个数据集上的大量实验验证了我们所提技术的有效性和效率。
引用
@article{arxiv.2502.01904,
title = {Common Neighborhood Estimation over Bipartite Graphs under Local Differential Privacy},
author = {Yizhang He and Kai Wang and Wenjie Zhang and Xuemin Lin and Ying Zhang},
journal= {arXiv preprint arXiv:2502.01904},
year = {2025}
}
备注
This is accepted by the conference SIGMOD2025. The published version (https://dl.acm.org/doi/10.1145/3698803) is missing one figure so we would like to upload the full version to arxiv