面向隐私保护推荐的异构图神经网络
机器学习
2022-10-11 v2 密码学与安全
摘要
社交网络被视为具有深度学习技术进步的异构图神经网络（HGNN）。与同构数据相比，HGNN 在训练阶段吸收了关于个体的多方面信息。这意味着在学习的結果中涵盖了更多信息，尤其是敏感信息。然而，同构图上的隐私保护方法仅保护同类型的节点属性或关系，由于复杂性而无法在异构图上有效工作。为解决此问题，我们提出一种基于差分隐私机制的新型异构图神经网络隐私保护方法，称为 HeteDP，其在图特征与拓扑上提供双重保障。具体而言，我们首先定义一种新的攻击方案以揭示异构图中的隐私泄露。具体地，我们设计了一个两阶段流水线框架，包括隐私保护特征编码器和基于差分隐私的带梯度扰动的异构链接重建器，以容忍数据多样性并抵御该攻击。为更好地控制噪声并提升模型性能，我们采用双层优化模式来为上述两个模块分配合适的隐私预算。我们在四个公开基准上的实验表明，HeteDP 方法能够抵御异构图隐私泄露，并具备令人满意的模型泛化能力。
引用
@article{arxiv.2210.00538,
title = {Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation},
author = {Yuecen Wei and Xingcheng Fu and Qingyun Sun and Hao Peng and Jia Wu and Jinyan Wang and Xianxian Li},
journal= {arXiv preprint arXiv:2210.00538},
year = {2022}
}