用修正的 Erdős–Rényi 模型生成差分隐私网络

差分隐私已被用于私密地计算众多网络属性，但现有方法通常需要为每个感兴趣的属性开发新的隐私机制。因此，我们提出了一种以差分隐私方式生成整个网络的框架。差分隐私对后处理具有免疫性，这允许对私有输出网络计算和分析任意网络属性，而不会削弱其保护。我们考虑无向网络，并开发了一种差分隐私机制，该机制接收一个敏感网络并通过随机化其边集输出一个私有网络。我们证明该机制确实为网络的边集提供了差分隐私，尽管它在输出图空间上诱导了一个复杂分布。随后，我们开发了一种等价的隐私实现，使用修正的 Erdős–Rényi 模型逐边构建输出图，该方法高效且易于实现，即使在大规模复杂网络上也是如此。实验在计算图拉普拉斯谱时实现了 $\varepsilon$-差分隐私，$\varepsilon=2.5$，结果表明所提出的机制比当前最先进方法的误差减少了 49.34%。