HoGS：面向本地差分隐私 GNN 训练的仿 homophily 图合成
机器学习
2026-02-10 v1 密码学与安全
摘要
图神经网络 (GNN) 在 various graph-based 机器学习任务中展现出显著性能，能够有效建模节点之间的高阶相互作用。然而，在不加保护的情况下训练 GNN 可能泄露图数据中包含的敏感个人信息，包括链接和节点特征。本地差分隐私 (LDP) 是一种用于保护去中心化网络数据隐私的先进技术。然而，现有的本地差分隐私 GNN 要么仅保留链接隐私，要么在保护链接和节点特征隐私的过程中遭受显著的实用性损失。本文提出一种有效的 LDP 框架，称为 HoGS，通过生成合成图来实现链接和特征保护。具体而言，HoGS 在 LDP 条件下收集图的链接和特征信息，然后利用图数据中的仿 homophily 现象分别重构图结构和节点特征，从而有效缓解 LDP 对下游 GNN 训练的负面影响。我们对 HoGS 的隐私保证进行了理论分析，并使用生成的合成图作为输入训练 various state-of-the-art GNN 架构。在三个真实数据集上的实验结果表明，HoGS 在训练 GNN 的准确率方面显著优于基线方法。
引用
@article{arxiv.2602.08762,
title = {HoGS: Homophily-Oriented Graph Synthesis for Local Differentially Private GNN Training},
author = {Wen Xu and Zhetao Li and Yong Xiao and Pengpeng Qiao and Mianxiong Dong and Kaoru Ota},
journal= {arXiv preprint arXiv:2602.08762},
year = {2026}
}