面向私有链接推断攻击的大规模隐私保护网络嵌入
机器学习
2022-05-31 v1 人工智能
社会与信息网络
摘要
网络嵌入以低维信息向量表示网络节点。尽管其对各种下游任务通常有效，但可能泄露网络的某些私有信息，例如隐藏的私有链接。本工作中，我们解决一个新问题：面向私有链接推断攻击的隐私保护网络嵌入。具体而言，我们提出通过添加或移除链接来扰动原始网络，并期望在扰动网络上生成的嵌入能泄露关于私有链接的极少信息，同时对各种下游任务保持高可用性。为此，我们首先提出通用度量来量化候选网络扰动所带来的隐私增益与效用损失；随后设计 PPNE 框架，以迭代方式识别具有最佳隐私-效用权衡的最优扰动方案。此外，我们提出多种技术以加速 PPNE 并确保其可扩展性。例如，由于包括 DeepWalk 与 LINE 在内的 skip-gram 嵌入方法可视为具有闭式嵌入结果的矩阵分解，我们设计了高效的隐私增益与效用损失近似方法，以避免在每次迭代中针对每个候选网络扰动重复进行耗时的嵌入训练。在真实网络数据集（多达数百万节点）上的实验验证了 PPNE 以更少的效用牺牲和更高的隐私保护优于基线方法。
引用
@article{arxiv.2205.14440,
title = {Large-Scale Privacy-Preserving Network Embedding against Private Link Inference Attacks},
author = {Xiao Han and Leye Wang and Junjie Wu and Yuncong Yang},
journal= {arXiv preprint arXiv:2205.14440},
year = {2022}
}