具有重要性粒度噪声自适应的差分隐私图神经网络
机器学习
2023-08-10 v1 密码学与安全
摘要
为保护节点代表个人敏感信息时的图隐私，已有结合差分隐私的图神经网络（GNNs）被提出。然而，现有方法忽略不同重要性节点可能产生多样隐私需求，可能导致对某些节点过度保护并降低模型效用。本文研究重要性粒度隐私问题，其中节点含需保密但对训练 GNN 关键的个人数据。我们提出 NAP-GNN，一种基于自适应差分隐私、具隐私保证的节点重要性粒度隐私保护 GNN 算法以守护节点信息。首先，我们提出基于拓扑的节点重要性估计（TNIE）方法，借助邻域与中心性感知推断未知节点重要性。其次，提出自适应私有聚合方法，从节点重要性粒度扰动邻域聚合。第三，我们提出在多层卷积的自适应残差连接模式下，于扰动聚合上私有训练图学习算法以处理节点级任务。理论分析表明 NAP-GNN 满足隐私保证。真实图数据集上的实证实验显示 NAP-GNN 在隐私与准确率间取得更好权衡。
引用
@article{arxiv.2308.04943,
title = {Differentially Private Graph Neural Network with Importance-Grained Noise Adaption},
author = {Yuxin Qi and Xi Lin and Jun Wu},
journal= {arXiv preprint arXiv:2308.04943},
year = {2023}
}