GCON：通过目标扰动实现差分隐私图卷积网络
密码学与安全
2025-01-31 v2
摘要
图卷积网络（GCN）是一种流行的机器学习模型，在包括医疗、交通和金融在内的图分析中具有广泛应用。然而，未经隐私保护措施训练的GCN可能通过其模型参数记忆训练数据中的私有人际关系。这通过链路攻击带来了重大的隐私泄露风险，可能导致违反GDPR等隐私法规。为防御此类攻击，一种有前景的方法是使用差分隐私（DP）训练GCN，这是一种通过在训练过程中注入随机噪声来提供强隐私保护的严格框架。然而，在DP下训练GCN是一项极具挑战性的任务。现有解决方案要么扰动图拓扑，要么向图卷积操作中注入随机性，要么高估所需噪声量，导致网络消息聚合严重失真，从而模型效用低下。受此启发，我们提出GCON，一种新颖有效的训练具有边差分隐私的GCN的解决方案。GCON利用扰动目标函数以满足DP的经典思想，并保持图卷积过程不变。我们严格的理论分析为图卷积结果的灵敏度提供了紧致的闭式界，并量化了边修改对训练模型参数的影响。在多个基准数据集上跨不同设置的大量实验证明了GCON相对于现有解决方案的持续优越性。
引用
@article{arxiv.2407.05034,
title = {GCON: Differentially Private Graph Convolutional Network via Objective Perturbation},
author = {Jianxin Wei and Yizheng Zhu and Xiaokui Xiao and Ergute Bao and Yin Yang and Kuntai Cai and Beng Chin Ooi},
journal= {arXiv preprint arXiv:2407.05034},
year = {2025}
}