面向多粒度拓扑保护的差分隐私解耦图卷积
机器学习
2023-10-17 v3
摘要
GNN 可能通过其模型预测无意中暴露敏感的用户信息与交互。为应对这些隐私问题，采用差分隐私（DP）协议来控制可证明隐私保护性与模型效用之间的权衡。由于两个主要原因，直接将标准 DP 方法应用于 GNN 并不可取。首先，依赖于通过图卷积利用邻节点属性的节点标签预测可能导致隐私泄露。其次，在实际应用中，节点属性与图拓扑的隐私需求可能不同。在后一设定下，现有 DP-GNN 模型无法在图拓扑隐私、节点属性隐私与 GNN 效用之间提供多粒度权衡。为同时解决这两类局限，我们提出了一个专为图学习定制的新框架，称为图差分隐私（GDP）。GDP 既确保可证明私有的模型参数，也确保私有预测。此外，我们描述了一种新颖的图数据集邻接统一概念，用以分析 GDP 在不同图拓扑隐私层级下的性质。我们的发现揭示，依赖图卷积的 DP-GNN 不仅无法满足多粒度图拓扑隐私的要求，还须注入随最大节点度至少线性增长的 DP 噪声。相比之下，我们提出的差分隐私解耦图卷积（DPDGCs）代表了一种相较图卷积更灵活高效的替代方案，且仍提供 GDP 所需的保证。为验证我们的方法，我们在七个节点分类基准与示意性合成数据集上进行了大量实验。结果表明，DPDGCs 在隐私-效用权衡方面显著优于现有 DP-GNN。
引用
@article{arxiv.2307.06422,
title = {Differentially Private Decoupled Graph Convolutions for Multigranular Topology Protection},
author = {Eli Chien and Wei-Ning Chen and Chao Pan and Pan Li and Ayfer Özgür and Olgica Milenkovic},
journal= {arXiv preprint arXiv:2307.06422},
year = {2023}
}
备注
NeurIPS 2023