通过压缩图实现高效且隐私保护的链接预测
机器学习
2025-03-18 v1 社会与信息网络
摘要
链接预测对于揭示复杂网络中隐藏的连接至关重要，可应用于识别潜在客户和产品等场景。然而，该研究面临重大挑战，包括数据隐私方面的顾虑，以及处理大规模网络时的高计算和存储成本。压缩图——比原始图小得多但保留关键信息——已成为在保持数据效用和保护隐私方面的有效解决方案。然而，现有方法通过随机节点选择初始化合成图而不考虑节点连通性，且主要设计用于节点分类任务。因此，其在隐私保护链接预测方面的潜力尚未被充分探索。我们引入HyDRO，一种由代数Jaccard相似度引导的图压缩方法，利用局部连通性信息来优化压缩图结构。在四个真实网络上的广泛实验表明，我们的方法在链接预测精度与隐私保护的平衡方面优于最先进方法甚至原始网络。此外，与原始网络上的链接预测相比，我们的方法在Computers数据集上实现了近20倍的训练加速和452%的存储缩减。这项工作代表了首次利用压缩图在真实世界复杂网络中进行隐私保护链接预测信息共享。它为在保护隐私的同时保留链接预测信息提供了有前景的路径，推动了图压缩在大规模隐私敏感网络中的应用。
引用
@article{arxiv.2503.12156,
title = {Efficient and Privacy-Preserved Link Prediction via Condensed Graphs},
author = {Yunbo Long and Liming Xu and Alexandra Brintrup},
journal= {arXiv preprint arXiv:2503.12156},
year = {2025}
}