面向个性化PageRank的差分隐私图扩散
信息检索
2025-02-19 v5 密码学与安全
机器学习
摘要
图扩散即迭代地在图中传递实值物质，被广泛用于诸多涉及图/网络的应用中。然而，发布扩散向量可能会暴露数据中如金融网络交易信息等敏感的链接信息。然而，由于图数据的相互关联性，保护图数据的隐私具有挑战性。本工作提出一种采用边级差分隐私保证的新型图扩散框架，通过对扩散迭代注入噪声来实现。算法注入拉普拉斯噪声，并采用基于度的阈值函数来缓解由低度节点引起的高灵敏度。我们的隐私损失分析基于迭代放大隐私（PABI），该分析在我们眼中是首次将PABI与拉普拉斯噪声结合并提供相关应用。我们还引入一种新的无穷-Wasserstein距离跟踪方法，该方法紧密分析了隐私泄漏，使PABI在实际中更加适用。我们通过将其应用于个性化 PageRank 计算来评估该框架。实验在真实网络数据上表明，在严格的隐私条件下，我们的方法优于基线方法。
关键词
引用
@article{arxiv.2407.00077,
title = {Differentially Private Graph Diffusion with Applications in Personalized PageRanks},
author = {Rongzhe Wei and Eli Chien and Pan Li},
journal= {arXiv preprint arXiv:2407.00077},
year = {2025}
}
备注
Github Code Available