图神经网络中用于差分隐私的异质随机响应机制
机器学习
2022-11-11 v1 密码学与安全
摘要
图神经网络（GNNs）易遭受隐私推断攻击（PIAs），因其能从图数据中节点间的特征与边学习联合表示。为防止GNN中的隐私泄露，我们提出一种新颖的异质随机响应（HeteroRR）机制，在差分隐私（DP）保证下保护节点特征与边免受PIAs，且在训练GNN时不以过度牺牲数据与模型效用为代价。我们的思路是在重分配隐私预算时平衡节点特征与边的重要性与敏感性，因为某些特征与边相较于其他的对模型效用更敏感或更重要。由此，相较于现有方法，我们推导出了在节点特征与边两个层面上显著更优的随机化概率与更紧的误差界，从而使我们能在训练GNN时保持高数据效用。使用基准数据集的广泛理论与实证分析表明，HeteroRR在针对节点特征与边的严格隐私保护下，于模型效用方面显著优于各类基线。这使我们能有效防御保DP的GNN中的PIAs。
引用
@article{arxiv.2211.05766,
title = {Heterogeneous Randomized Response for Differential Privacy in Graph Neural Networks},
author = {Khang Tran and Phung Lai and NhatHai Phan and Issa Khalil and Yao Ma and Abdallah Khreishah and My Thai and Xintao Wu},
journal= {arXiv preprint arXiv:2211.05766},
year = {2022}
}
备注
Accepted in IEEE BigData 2022 (short paper)