具有受保护连接的差分隐私链接预测
社会与信息网络
2020-12-15 v2 机器学习
机器学习
摘要
链接预测（LP）算法向每个节点推荐一个当前非邻居节点的排序列表，作为未来链接的最可能候选。由于隐私担忧日益增长，用户（节点）可能倾向于将其某些连接保持受保护或私有。受此观察驱动，我们的目标是设计一种差分隐私 LP 算法，在受保护节点对的隐私与链接预测精度之间进行权衡。更具体地，我们首先提出图上的一种差分隐私形式，其仅对标记为受保护的那些节点对建模隐私损失。接下来，我们开发 DPLP，一种学习排序算法，其对来自非私有 LP 系统的基分数施加单调变换，然后添加噪声。DPLP 以隐私诱导的排序损失进行训练，该损失在给定受保护节点对允许的最大隐私泄漏水平下优化排序效用。在最近引入的潜在节点嵌入模型下，我们给出了隐私与 LP 效用之间的形式化权衡。对多个真实图与多种 LP 启发式的广泛实验表明，DPLP 比若干替代方法能更有效地在隐私与预测性能之间权衡。
引用
@article{arxiv.1908.04849,
title = {Differentially Private Link Prediction With Protected Connections},
author = {Abir De and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:1908.04849},
year = {2020}
}