基于奇异值扰动的边隐私图神经网络

图神经网络（GNN）在从图结构数据中学习表示方面发挥着关键作用，并在许多应用中被证明是有用的。然而，GNN 训练流程已被证明容易受到节点特征泄露和边提取攻击的影响。本文研究了攻击者旨在从训练好的 GNN 模型中恢复私有边信息的场景。先前的研究采用差分隐私（DP）将噪声直接添加到邻接矩阵或紧凑图表示中。添加的扰动导致图结构发生显著改变，降低了模型效用。我们提出了一种新的隐私保护 GNN 训练算法 Eclipse，该算法在提供对边的强隐私保护的同时保持良好的模型效用。Eclipse 基于两个关键观察。首先，图结构中的邻接矩阵表现出低秩行为。因此，Eclipse 通过奇异值分解（SVD）以图的低秩格式训练 GNN，而不是使用原始图。使用低秩格式，Eclipse 保留了主要图拓扑并移除了剩余的残差边。Eclipse 将噪声添加到低秩奇异值上而不是整个图上，从而在保持足够图结构以维持模型效用的同时保护了图隐私。我们从理论上证明 Eclipse 对边提供了形式化的 DP 保证。在基准图数据集上的实验表明，与现有的隐私保护 GNN 训练方法相比，Eclipse 实现了显著更好的隐私-效用权衡。特别是，在强隐私约束（$\epsilon$ < 4）下，Eclipse 在模型效用上表现出高达 46% 的显著提升。我们进一步证明，Eclipse 对常见的边攻击（例如 LPA）也具有更好的抵抗力，与其他 SOTA 基线相比，攻击 AUC 降低了高达 5%。