差分隐私下的社区检测
社会与信息网络
2016-07-08 v1
摘要
复杂网络通常呈现出社区结构，即同一组内的节点之间共享大量连接，而与其他组的节点连接相对较少。这一特征捕捉了关于网络组织乃至演化的宝贵信息。过去十年间，为处理日益复杂的网络，涌现了大量社区检测算法。然而，以隐私保护方式进行社区检测的问题却鲜有考虑。本文在差分隐私这一发布隐私数据的突出隐私概念下解决了该问题。我们分析了该问题背后的主要挑战，并从两个角度提出了若干方案：输入扰动和算法扰动。我们选择 Louvain 方法作为输入扰动方案的后端社区检测算法，并提出了 LouvainDP 方法，该方法在一个带噪声的超图上运行 Louvain 算法。对于算法扰动，我们设计了 ModDivisive，使用以模块度作为评分的指数机制。我们在不同规模的真实图上全面评估了我们的技术，并验证了它们相较于当前最优方法的优越性能。
引用
@article{arxiv.1607.02060,
title = {Detecting Communities under Differential Privacy},
author = {Hiep H. Nguyen and Abdessamad Imine and Michael Rusinowitch},
journal= {arXiv preprint arXiv:1607.02060},
year = {2016}
}